Agent X-Ray

Deep Agents Deploy：一个面向 Claude Managed Agents 的开放替代方案

约 5 分钟 · 更新于 2026-09-01 · 原文

核心要点

Deep Agents deploy 试图把 agent harness、memory、sandbox 和多协议服务端打包成一条可直接上线的部署路径。

它的核心卖点不是“更方便”而已，而是开放、模型无关、可自托管，避免 memory 被单一厂商 API 锁死。

deepagents deploy 支持自定义模型、AGENTS.md、skills、MCP 工具与 sandbox，部署的其实是你的定制 agent。

底层会生成一个可横向扩展的生产级服务，暴露 MCP、A2A、Agent Protocol、human-in-the-loop 和 memory 等多种接口。

与 Claude Managed Agents 相比，Deep Agents deploy 更强调开放生态、标准接口和“你自己拥有 memory”。

原文链接 English Original

今天我们发布 Deep Agents deploy 的 beta 版本。Deep Agents deploy 是一种最快把模型无关、开源的 agent harness 以生产可用方式部署出去的方法。

Deep Agents deploy 是为开放世界构建的。它建立在 Deep Agents 之上——这是一个开源、模型无关的 agent harness。Harness 与 memory 紧密绑定，这意味着一旦你选择开放式 harness，你也就在选择拥有自己的 memory，而不是让它被锁进专有 harness 或绑定在某一个模型上。

从 Harness Engineering 走向生产环境

过去几个月里，“harness engineering” 逐渐成为一个新的工程学分支：它研究如何构建 harness，把 LLM 变成 agent。这些 harness 包含 orchestration logic、tools、skills，它们构成了 agent 的基础；同时也允许开发者继续通过自定义指令、工具和技能，把 harness 调整成适合自己场景的形态。

要把这类系统真正推到生产环境，通常还需要几个步骤：

以多租户、可扩展的方式部署 agent 的 orchestration logic 与 memory
搭建 sandbox，使其能够按 agent session 动态拉起
暴露一系列与 agent 交互的端点，包括 MCP、A2A，以及 human-in-the-loop、memory 等其他能力

而今天，我们把这些步骤打包进了一条命令：deepagents deploy。

你部署的到底是什么？

使用 deepagents deploy，你部署的是你自己的定制 agent。你可以指定几个关键参数：

model：要使用的大语言模型。Deep Agents 能接入任何模型或模型提供商，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router，以及 Ollama。更多细节可见我们的 Models 文档。
AGENTS.md：这是 agent 的核心指令集，你可以在里面定义 session 启动时加载的基础说明。
skills：这些是 Agent Skills，可通过 markdown 文件和可执行脚本为 agent 提供专项知识与动作能力。详见 Skills 文档。
mcp.json：这是 agent 通过 MCP 协议（HTTPS/SSE）可调用的工具集合。
sandbox：如果有需要，你可以指定一个 sandbox，让 agent 能在其中工作并运行 skills。Deep Agents 开箱即用支持 Daytona、Runloop、Modal 和 LangSmith Sandboxes，也可以接入任何 sandbox 供应商，详见我们的实现指南。

部署后会得到什么？

在底层，deepagents deploy 会把你的 Deep Agent 与其专属的 LangSmith Deployment server 打包在一起。这是一个生产级、可横向扩展的服务端。

它会启动一个拥有 30 多个 endpoint 的服务，其中包括：

MCP：让你可以把已部署的 agent 当作工具来调用
A2A：让你可以在多智能体体系中调用这个 agent
Agent Protocol：便于你快速构建漂亮的前端界面，与已部署的 agent 交互
Human-in-the-loop：为 agent 的行动增加人工干预与护栏
Memory endpoints：方便你直接访问 agent 的短期与长期 memory

换句话说，deepagents deploy 并不只是“帮你把一个 Python 脚本跑起来”，而是把 agent 上线所需的基础设施一整套生成出来。

开放生态

deepagents deploy 的一个关键点，是它嵌入在一个开放生态里。具体来说：

我们使用 deepagents，这是一个完全开源、MIT 许可的 harness，同时支持 Python 和 TypeScript
我们使用 AGENTS.md 这个开放标准来描述 agent 指令
我们使用 Agent Skills 这个开放标准向 agent 提供专门知识
我们集成所有主流模型提供商，让你完全掌控模型选择权；不会被 Anthropic 锁住，你可以针对任务组合最合适的模型，甚至是开源模型
我们集成所有主流 sandbox 提供商，让你同样拥有这一层的控制权
我们通过 MCP、A2A 和 Agent Protocol——也就是开放标准——对外暴露 agent
你可以自托管 LangSmith Deployments，这意味着你不仅托管服务，也真正托管并拥有自己的 memory

与 Claude Managed Agents 的对比

最近推出的 Claude Managed Agents 是另一个竞品。它的高层架构与我们相似：都有 harness、agent server 和 sandboxes。但 Claude Managed Agents 是一个围墙花园式产品，会带来非常强的锁定。

Memory

开放生态之所以对 agent harness 和 agent 平台至关重要，核心原因就是 memory。

Agent harness 与 memory 是深度绑定的（Sarah Wooders 写过一篇很精彩的文章解释这一点）。Harness 的一个关键职责就是管理 context，而 memory 本质上就是 context。随着越来越多的 harness 组件被封闭、被锁进 API 后面，你的 memory 也会随之被锁进去。

事实上，从一个模型切换到另一个模型并不难。你可能要调整一点 prompt，但整体上问题不大。这也是为什么单纯的 model API 并不会制造太强的锁定——我们最近已经看到大量团队从 OpenAI 迁移到 Anthropic。

但一旦把 memory，不管是短期还是长期，打包到这些 API 背后，锁定效应就会急剧增强。

设想你构建了一个内部 SDR agent。它一开始比较基础，但随着与用户交互，它会一边工作一边学习，memory 逐渐积累下来。然而这些 memory 全都被放在封闭 API 背后。如果你想迁出这个 harness，或者想换掉这个模型，那就意味着你得把 agent 的 memory 全部重置，从头开始。

对于面向客户的 agent，情况会更糟。你可能搭建了一个对外的销售 agent，它不断积累关于客户互动的 memory。这些 memory 本应构成你的数据飞轮，让客户体验随着时间推移而越来越好。但如果这些 memory 都在封闭 API 背后，那它们就不再真正属于你，而是属于拥有这套封闭 API 的那家公司。

deepagents deploy 以标准格式存储 memory（例如 AGENTS.md、skills 及其他文件），允许你通过 API 直接查询这些内容；如果你选择自托管，就能确保这些 memory 始终只存在于你自己的数据库中。

试试开放的 Harness

建立在专有 harness 之上的 agent，会带来极强的锁定效应。我们相信，构建和部署 agent 本该足够简单，同时你仍然应该保有模型选择权，也仍然应该拥有自己的 memory。

如果你也认同这一点，那就现在试试 deepagents deploy。

关键链接：

AI技术博客索引
Your-Harness-Your-Memory-Chinese-20260411

本章目录

你部署的到底是什么？部署后会得到什么？开放生态与 Claude Managed Agents 的对比 Memory 试试开放的 Harness Related Documents