上周，Anthropic下场，发布了官方Harness：Claude Managed Agents，将Harness从概念变成产品。
核心思路很漂亮：把大脑Harness（Claude 及其控制循环，负责推理和决策）和手Sandbox（执行环境，运行代码和编辑文件）解耦，再把会话日志做成一个独立于上下文窗口的持久化存储。这样，容器挂了能恢复，会话不怕丢，沙箱随便换。
这套设计确实先进，但可惜——它是 Anthropic 自用的，闭源，你得用 Claude，你的会话记忆全锁在它的 API 里。
结果LangChain直接跳出来说：你这套，我也有，而且我开源。
LangChain正式发布Deep Agents Deploy的 Beta 版本。这是部署一个模型无关、开源的 Agent 框架（Agent Harness）的最快方式，且可直接用于生产环境。
Deep Agents Deploy 为开放世界而生。它基于Deep Agents—— 一个开源、模型无关的 Agent 框架。框架（Harness）与记忆（Memory）紧密绑定，这意味着选择开源框架就是选择拥有你自己的记忆，而不是被锁定在专有框架或单一模型中。
一个闭源，一个开源。一个锁死在 Anthropic 的生态里，一个让你随便换模型、自己管记忆。
有意思了。
从框架工程到生产部署
在过去几个月里，**“框架工程”（Harness Engineering）** 已成为将大语言模型转化为 Agent 的学科。这些框架包含编排逻辑、工具、技能，它们构成了 Agent 的基础，同时允许开发者通过自定义指令、工具、技能来针对特定用例进行定制。
但要将 Agent 投入生产，还需要几个步骤：
- 以多租户、可扩展的方式部署 Agent 编排逻辑和记忆系统
- 设置沙盒环境，使其按 Agent 会话自动创建
- 搭建与 Agent 交互的端点，包括 MCP、A2A 以及用于人机协同、记忆管理等端点
今天，我们将所有这些步骤打包成一个命令：deepagents deploy
你在部署什么？
通过deepagents deploy，你部署的是自定义 Agent。需要指定几个参数：
- model：使用的大语言模型。Deep Agents 支持任何模型或模型提供商，包括 OpenAI、Google、Anthropic、Azure、Bedrock、Fireworks、Baseten、Open Router 和 Ollama。更多信息请查看我们的模型文档。
- AGENTS.md：Agent 的核心指令集，在会话开始时加载的指令。
- skills：Agent 技能，允许通过 Markdown 文件提供专业知识和通过脚本执行操作。更多信息请查看技能文档。
- mcp.json：Agent 可通过 MCP 协议（HTTPS/SSE）调用的工具。
- sandbox：如有需要，可指定 Agent 用于工作和运行技能的沙盒环境。Deep Agents 开箱即用地集成了 Daytona、Runloop、Modal 或 LangSmith Sandboxes。任何沙盒提供商都可以与 Deep Agents 配合使用；请查看我们的实现指南。
部署机制
在底层，deepagents deploy将你的 Deep Agent 与其专属的LangSmith Deployment 服务器打包在一起。这是一个可用于生产环境、支持水平扩展的服务器。
它会启动一个包含30+ 端点的服务器，包括：
- MCP：允许你将部署的 Agent 作为工具调用
- A2A：允许你在多 Agent 设置中调用部署的 Agent
- Agent Protocol：便于你编写精美的 UI 与部署的 Agent 交互
- Human-in-the-loop：允许你设置护栏，控制 Agent 在没有人工干预的情况下可以或不可以做什么
- Memory 端点：便于你轻松访问 Agent 的短期或长期记忆
开放生态系统
deepagents deploy的一个关键部分是融入开放生态系统。具体来说：
- 我们使用
deepagents，一个完全开源、MIT 许可证的框架，支持 Python 和 TypeScript - 我们使用
AGENTS.md，一个开放标准，作为指定 Agent 指令的方式 - 我们使用 Agent Skills，一个开放标准，作为向 Agent 提供专业知识的方式
- 我们集成每一个模型提供商，让你完全掌控。没有 Anthropic 锁定，你可以为任务选择最佳的模型组合，甚至开源模型。
- 我们集成每一个沙盒提供商，让你完全掌控
- 我们通过 MCP、A2A 和 Agent Protocol 开放标准暴露 Agent
- 你可以自托管 LangSmith Deployments，从而托管并拥有你自己的记忆
记忆：为什么开放生态系统至关重要
Agent 框架和 Agent 平台需要开放生态系统的核心原因是记忆。
Agent 框架与记忆紧密绑定（Sarah Wooders 写了一篇关于此的精彩文章）。框架的一个关键角色是管理上下文（记忆就是上下文）。随着框架的更多部分被封闭、锁定在 API 之后——你的记忆也被锁定。
实际上，从一个模型切换到另一个模型相当容易（当然，你可能需要稍微调整提示词，但不会太难）。因此，仅模型 API 本身并没有太大的锁定性（正如我们最近看到的从 OpenAI 向 Anthropic 的大规模迁移）。
但当你开始将记忆打包在这些 API 之后——无论是短期记忆还是长期记忆——它就会造成难以置信的锁定。
想象你创建了一个内部的 SDR（销售开发代表）Agent。它开始时很基础，但随着与用户交互，它会实时学习。这些记忆不断积累——但都被锁定在封闭 API 之后。如果你想迁移出那个框架，或那个模型——那就意味着重置你的 Agent 记忆，从头开始。
对于你向客户开放的 Agent 来说，情况更糟。你构建了一个面向客户的销售 Agent，它积累了与客户交互的记忆。所有这些记忆都被锁定在封闭 API 之后。这些记忆是你应该构建的数据飞轮的一部分，用于随时间改善客户体验。但它们不再属于你——它们属于拥有那个封闭 API 的人。
deepagents deploy以标准格式（AGENTS.md、skills 和其他文件）存储记忆，允许你直接通过 API 查询它们，如果你选择自托管，确保记忆始终只保留在你的数据库中。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
