30.4K ·GitHub
Что это такое?
Deep Agents — это open source каркас для агентов от LangChain со всем необходимым «из коробки»: это готовый к работе агент с продуманной архитектурой, в который уже встроены саб-агенты, файловая система, управление контекстом и скиллы — и любую из этих частей можно расширить, переопределить или заменить, не делая форк.
Deep Agents — это open source каркас для агентов от LangChain со всем необходимым «из коробки»: это готовый к работе агент с продуманной архитектурой, в который уже встроены саб-агенты, файловая система, управление контекстом и скиллы — и любую из этих частей можно расширить, переопределить или заменить, не делая форк.Это библиотека, которую я встраиваю в свой код, или готовое приложение?Библиотека: здесь на Python, а deepagents.js — версия на JavaScript/TypeScript. Внутри она работает на рантайме LangGraph, который даёт стриминг, персистентность и чекпоинты для продакшена.
Библиотека: здесь на Python, а deepagents.js — версия на JavaScript/TypeScript. Внутри она работает на рантайме LangGraph, который даёт стриминг, персистентность и чекпоинты для продакшена.Как запустить своего первого агента?Следуйте quickstart из README: только что созданный Deep Agent уже умеет планировать, читать и записывать файлы и управлять собственным контекстом. Дальше по документации вы добавляете инструменты, меняете модели, настраиваете промпты и конфигурируете саб-агентов.
Следуйте quickstart из README: только что созданный Deep Agent уже умеет планировать, читать и записывать файлы и управлять собственным контекстом. Дальше по документации вы добавляете инструменты, меняете модели, настраиваете промпты и конфигурируете саб-агентов.Нужен ли ключ OpenAI или Anthropic, или подойдёт любая модель?Подойдёт любая модель с поддержкой tool calling — API уровня frontier вроде OpenAI, Anthropic и Google, хостинговые open-weight модели у провайдеров вроде Baseten или Fireworks или самостоятельно развёрнутые через Ollama, vLLM и llama.cpp. Можно использовать любую чат-модель LangChain.
Подойдёт любая модель с поддержкой tool calling — API уровня frontier вроде OpenAI, Anthropic и Google, хостинговые open-weight модели у провайдеров вроде Baseten или Fireworks или самостоятельно развёрнутые через Ollama, vLLM и llama.cpp. Можно использовать любую чат-модель LangChain.Он может выполнять команды в шелле и править файлы — что мешает ему натворить бед?По умолчанию — ничего: Deep Agents придерживается модели «доверяй LLM», поэтому агент может делать всё, что позволяют его инструменты. Ограничения задавайте на уровне инструментов или песочницы, а встроенный режим human-in-the-loop используйте, чтобы одобрять вызовы инструментов до их выполнения.
По умолчанию — ничего: Deep Agents придерживается модели «доверяй LLM», поэтому агент может делать всё, что позволяют его инструменты. Ограничения задавайте на уровне инструментов или песочницы, а встроенный режим human-in-the-loop используйте, чтобы одобрять вызовы инструментов до их выполнения.То есть чтобы этим пользоваться, нужно уметь программировать?Да — проект рассчитан на разработчиков, которые собирают агентов на Python или TypeScript со своими инструментами и моделями. Если вы только начинаете, в репозитории есть рабочие примеры, а команда LangChain проводит бесплатные курсы LangChain Academy.
Да — проект рассчитан на разработчиков, которые собирают агентов на Python или TypeScript со своими инструментами и моделями. Если вы только начинаете, в репозитории есть рабочие примеры, а команда LangChain проводит бесплатные курсы LangChain Academy.Что уже входит в комплект?Саб-агенты с изолированными контекстными окнами, подключаемая файловая система (локальная, песочница или удалённые бэкенды), управление контекстом, которое суммаризирует длинные диалоги и выгружает вывод инструментов на диск, доступ к шеллу, память, сохраняющаяся между сессиями, одобрения в режиме human-in-the-loop, загружаемые скиллы и любой MCP-сервер в качестве инструмента.
Саб-агенты с изолированными контекстными окнами, подключаемая файловая система (локальная, песочница или удалённые бэкенды), управление контекстом, которое суммаризирует длинные диалоги и выгружает вывод инструментов на диск, доступ к шеллу, память, сохраняющаяся между сессиями, одобрения в режиме human-in-the-loop, загружаемые скиллы и любой MCP-сервер в качестве инструмента.Чем это отличается от LangChain или LangGraph?Это слои одного стека: LangGraph — графовый рантайм, create_agent из LangChain — минимальный каркас, а Deep Agents — полноценный каркас с продуманной архитектурой поверх них, куда уже включены планирование, управление контекстом и делегирование. Слои сочетаются: любой граф LangGraph можно передать как саб-агента в Deep Agent.
Это слои одного стека: LangGraph — графовый рантайм, create_agent из LangChain — минимальный каркас, а Deep Agents — полноценный каркас с продуманной архитектурой поверх них, куда уже включены планирование, управление контекстом и делегирование. Слои сочетаются: любой граф LangGraph можно передать как саб-агента в Deep Agent.Что такое Deep Agents Code?Готовый агент для программирования в терминале, похожий на Claude Code или Cursor, но работающий с любой LLM, на которую вы его нацелите. Устанавливается командой: curl -LsSf | bash.
Готовый агент для программирования в терминале, похожий на Claude Code или Cursor, но работающий с любой LLM, на которую вы его нацелите. Устанавливается командой: curl -LsSf | bash.Зачем это делать, если уже есть Claude Code?Именно он и послужил заявленным источником вдохновения: Deep Agents — попытка понять, что делает Claude Code универсальным, и развить это дальше — в виде open source каркаса, который работает с любой LLM и позволяет переопределить любую часть.
Именно он и послужил заявленным источником вдохновения: Deep Agents — попытка понять, что делает Claude Code универсальным, и развить это дальше — в виде open source каркаса, который работает с любой LLM и позволяет переопределить любую часть.What are similar projects?deer-flow, hive, DeepCode, SystemOneHarness, langgraph, powercontext, open-multi-agent, Orbital
deer-flow, hive, DeepCode, SystemOneHarness, langgraph, powercontext, open-multi-agent, OrbitalWhich topics is it in?deepagents, langgraph, mcp-client, harness-engineering, long-term-memory, human-in-the-loop, agent-harness, langchain, context-engineering, harness, agent-framework, local-llm
deepagents, langgraph, mcp-client, harness-engineering, long-term-memory, human-in-the-loop, agent-harness, langchain, context-engineering, harness, agent-framework, local-llm