Deep Agents Deploy: открытый аналог Claude Managed Agents без привязки к одному вендору — VogueTech

Что нового

LangChain запустила в бете Deep Agents Deploy — способ развернуть агентную систему поверх любых LLM через одну команду:

deepagents deploy

Главные изменения:

Производственный деплой «из коробки»: оркестрация агента, память, сэндбоксы и API‑сервер собираются в один пакет.
Модельная независимость: можно подключить любой LLM‑провайдер — OpenAI, Google, Anthropic (Claude), Azure, Amazon Bedrock, Fireworks, Baseten, Open Router, Ollama и другие.
Открытый harness Deep Agents: MIT‑лицензия, реализации на Python и TypeScript.
Стандартизированная конфигурация агента:
- AGENTS.md — ядро инструкций агента.
- skills — знания (Markdown‑файлы) и действия (скрипты).
- mcp.json — описание MCP‑инструментов (HTTPS/SSE).
- sandbox — подключение удалённой среды исполнения.
Встроенный LangSmith Deployment server: разворачивается отдельный сервер с более чем 30 HTTP‑эндпоинтами.
Поддержка открытых протоколов: MCP, A2A, Agent Protocol, а также эндпоинты для human‑in‑the‑loop и памяти.
Открытое хранение памяти: память агента хранится в стандартных файлах (AGENTS.md, skills и другие) и доступна напрямую по API; при self‑host деплое — только в ваших базах.

Deep Agents Deploy позиционируется как открытая альтернатива Claude Managed Agents, но без привязки к одному вендору и без закрытого формата памяти.

Как это работает

Конфигурация агента

Перед деплоем вы описываете агента через несколько сущностей:

model — конкретная LLM, к которой вы хотите подключиться. Deep Agents не ограничивается одним провайдером: можно использовать GPT‑линейку от OpenAI, Claude от Anthropic, модели Google, Azure, Amazon Bedrock, Fireworks, Baseten, Open Router, Ollama и другие совместимые варианты.
AGENTS.md — основной файл с инструкциями для агента. В нём вы задаёте:
- роль и стиль агента;
- ограничения и правила поведения;
- системные подсказки, которые подгружаются в начале каждой сессии.
skills — каталог навыков агента:
- Markdown‑файлы с доменными знаниями (например, документация продукта);
- скрипты, которые агент может запускать как действия (например, интеграция с CRM или биллингом).
mcp.json — описание инструментов, доступных по протоколу MCP (Model Context Protocol) через HTTPS/SSE. Это позволяет агенту вызывать внешние сервисы как «инструменты».
sandbox — ссылка на провайдера сэндбокса, где агент может безопасно выполнять код и запускать skills. Из коробки есть интеграции с:
- Daytona;
- Runloop;
- Modal;
- LangSmith Sandboxes.
Можно подключить и другие сэндбоксы по гайду реализации Deep Agents.

Что делает `deepagents deploy`

Команда deepagents deploy собирает всё вышеперечисленное и разворачивает LangSmith Deployment server вместе с вашим агентом. Под капотом происходит следующее:

Сборка harness:
- подтягиваются AGENTS.md, skills, mcp.json и настройки модели;
- формируется агентный граф: оркестрация, выбор инструментов, работа с памятью.
Развёртывание серверной части:
- поднимается горизонтально масштабируемый сервер LangSmith Deployment;
- на нём создаётся более 30 эндпоинтов для разных сценариев работы с агентом.
Интеграция с сэндбоксами и памятью:
- подключается выбранный sandbox‑провайдер для исполнения кода и skills;
- настраивается хранение памяти в стандартном файловом формате и доступ к ней через API.

Какие эндпоинты вы получаете

Сервер, который поднимает Deep Agents Deploy, включает более 30 HTTP‑эндпоинтов. Ключевые группы:

MCP‑эндпоинты — позволяют вызывать развернутых агентов как инструменты по MCP.
A2A (agent‑to‑agent) — API для мультиагентных систем, где одни агенты вызывают других.
Agent Protocol — интерфейс для UI‑клиентов; на этом можно строить веб‑интерфейсы и приложения для общения с агентом.
Human‑in‑the‑loop — точки входа, через которые человек может подтверждать или блокировать действия агента.
Memory‑эндпоинты — доступ к краткосрочной и долгосрочной памяти агента.

Что это значит для вас

Когда имеет смысл использовать Deep Agents Deploy

1. Если вы строите агентные продукты поверх разных LLM.

Deep Agents Deploy полезен, когда вы не хотите зависеть от одного поставщика. Например, вы можете:

использовать GPT‑модель для креативных задач;
подключить Claude для сложного reasoning;
добавить локальную модель через Ollama для приватных данных;
переключаться между ними без переписывания всего harness.

2. Если для вас критична собственность на память.

Память агента — это история взаимодействий, знания и внутренний контекст, который он накапливает:

Deep Agents Deploy хранит память в стандартных файлах (AGENTS.md, skills и других), а не в закрытой базе за чужим API;
вы можете читать и мигрировать эти данные, а не терять их при смене платформы;
при self‑host развертывании память остаётся в ваших базах и хранилищах.

Это особенно важно, если вы:

строите внутренних агентов (например, SDR‑агент для продаж), которые учатся на взаимодействии с сотрудниками;
разворачиваете клиентских ассистентов, которые копят знания о клиентах и их запросах.

В обоих случаях потеря памяти при миграции на другую платформу означает, что агенту придётся «учиться с нуля».

3. Если вы хотите быстро выйти в прод.

Вместо того чтобы вручную:

писать оркестрацию агента;
поднимать сервер;
настраивать сэндбоксы под каждую сессию;
городить API для UI, MCP, A2A и human‑in‑the‑loop,

вы запускаете одну команду deepagents deploy и получаете готовый продакшн‑сервер.

Когда продукт может не подойти

Если вам нужен простой чат‑бот без инструментов и памяти, Deep Agents Deploy будет избыточен. Проще использовать готовый API GPT или Claude напрямую.
Если вы не готовы управлять инфраструктурой или self‑host‑развёртыванием, придётся положиться на облачный вариант или искать полностью управляемое решение.
Если вы строите решение строго под одного вендора и вас не смущает закрытая память, можно обойтись нативными инструментами этого провайдера.

Доступность в России

Deep Agents Deploy — это open‑source‑harness и tooling от LangChain. Сам по себе он не блокируется. Но:

для работы с GPT, Claude, Google и другими зарубежными LLM‑API часто нужен VPN или прокси;
если вы используете self‑host и локальные модели (через Ollama и другие), можно обойтись без доступа к зарубежным сервисам.

Место на рынке

По архитектуре Deep Agents Deploy ближе всего к Claude Managed Agents от Anthropic:

есть harness, который превращает LLM в агента;
есть агентный сервер;
есть сэндбоксы для выполнения кода и задач.

Главное отличие — открытость и отсутствие жёсткого lock‑in.

Память и lock‑in

В Claude Managed Agents память и логика агента завязаны на закрытый API Anthropic. Это создаёт несколько эффектов:

память агента хранится за чужим API;
перенос агента на другую платформу означает потерю накопленного контекста или сложную миграцию;
вы зависите от того, как Anthropic развивает свой стек.

Deep Agents Deploy делает наоборот:

использует открытый harness Deep Agents под MIT‑лицензией (Python и TypeScript);
хранит память в стандартных файлах (AGENTS.md, skills и других), доступных напрямую;
даёт возможность self‑host LangSmith Deployments, чтобы память физически жила в ваших хранилищах.

Сменить LLM‑провайдера обычно несложно: нужно адаптировать промпты и настройки. Проблема начинается, когда с моделью жёстко связана память. Deep Agents Deploy как раз пытается развести эти уровни.

Экосистема и протоколы

Deep Agents Deploy делает ставку на открытые стандарты:

AGENTS.md — открытый формат описания инструкций агента.
Agent Skills — открытый формат описания знаний и действий.
MCP, A2A, Agent Protocol — открытые протоколы для инструментов, мультиагентных систем и UI.

Claude Managed Agents, напротив, завязаны на экосистему Anthropic и их API. Это удобно, если вы целиком живёте в мире Claude. Но выйти из него и забрать с собой память агента значительно сложнее.

Модели и сэндбоксы

Deep Agents Deploy интегрируется с любыми LLM‑провайдерами, которые поддерживает Deep Agents: OpenAI, Google, Anthropic, Azure, Bedrock, Fireworks, Baseten, Open Router, Ollama и другие.
Claude Managed Agents работают поверх Claude и сервисов Anthropic.

По сэндбоксам:

Deep Agents Deploy поддерживает Daytona, Runloop, Modal, LangSmith Sandboxes и любые другие провайдеры по стандартному интерфейсу.
У Claude Managed Agents сэндбоксы жёстко встроены в стек Anthropic.

Конкретных бенчмарков по скорости, стоимости запросов или размеру контекста Deep Agents Deploy не приводит. Основной фокус — архитектура, открытость и контроль над памятью.

Как запустить

Deep Agents Deploy сводит деплой к одной команде:

deepagents deploy

При этом вы заранее готовите:

AGENTS.md — инструкции агента;
каталог skills — знания и действия;
mcp.json — инструменты по MCP;
конфиг модели (model) и сэндбокса (sandbox).

Дальше Deep Agents Deploy:

собирает harness;
поднимает LangSmith Deployment server;
открывает более 30 эндпоинтов для MCP, A2A, Agent Protocol, human‑in‑the‑loop и памяти.

Если вам важно сохранить контроль над памятью и не привязываться к одному вендору, Deep Agents Deploy предлагает готовый путь от файла AGENTS.md до продакшн‑сервера с агентами через одну CLI‑команду.