Appearance
Deep Agents 生态定位与选型
选择 Agent 技术时，最容易犯的错误是把不同抽象层的工具放在同一张“功能多少”榜单里。Deep Agents 的核心定位是 Agent Harness：它比基础 Agent 循环提供更多长任务约定，又没有要求你 用图结构声明全部业务流程。
先按抽象层分类
| 技术 | 主要抽象 | 应用负责的部分 | 框架预置的部分 |
|---|---|---|---|
LangChain create_agent | 模型 + 工具 + middleware 的 Agent 循环 | 上下文、文件、委派和工程策略 | 基础循环与 middleware 接口 |
| Deep Agents | 约定式 Agent Harness | 模型、业务工具、存储、安全与部署选择 | planning、filesystem、subagents、context management |
| LangGraph | 有状态执行图与运行时 | 节点、边、状态 schema 和控制流 | checkpoint、interrupt、streaming、durable execution |
| CrewAI | 角色、任务、Crew 与 Flow | 角色设计、任务和团队流程 | 团队协作与流程抽象 |
| Vercel AI SDK | TypeScript AI 应用与 UI 数据流 | 前后端应用、Agent 行为与基础设施 | 模型接口、tool calling、stream protocol、UI hooks |
| Claude Agent SDK | 面向 Claude 生态的 Agent Harness | 工具、权限、部署与产品集成 | 编码 Agent 风格的循环与工具环境 |
这张表描述的是主要心智模型，不代表某个框架只能完成一类任务。
前端类比
可以把 create_agent 看作一个最小应用入口，把 Deep Agents 看作约定式全栈框架，把 LangGraph 看作更底层的状态机与调度器。CrewAI 更接近用“团队角色”描述业务，Vercel AI SDK 则更靠近 TypeScript 应用层和 UI 数据通道。
Deep Agents 原生语义：Deep Agents 自身仍使用 LangChain Agent 循环和 LangGraph Runtime。 它的区别不是“比 LangGraph 多一个执行引擎”，而是提前组合了适合长任务的 middleware 与 backend，并提供一组可替换的默认行为。
Deep Agents 与 create_agent
选择 create_agent 的信号：
- Agent 只有少量工具和较短上下文。
- 应用已经有自己的 memory、文件、任务与审批层。
- 希望从最小 middleware 集合开始。
选择 Deep Agents 的信号：
- 需要让模型维护任务列表并逐步完成长任务。
- 工具结果或中间材料需要 offload 到文件。
- 需要同步或异步 subagents 隔离上下文。
- 希望在同一个 Harness 内组合 Skills、Memory、HITL 与 sandbox。
Deep Agents 不是不可逆选择。它建立在 create_agent 之上，你仍能添加自定义 middleware、state schema 和 context schema。
Deep Agents 与 LangGraph
两者不是二选一的竞争关系：
- Deep Agents 适合“让 Agent 自己规划标准循环中的下一步”。
- LangGraph 适合“应用代码必须确定下一步走哪条边”。
- Deep Agents 编译出的 Agent 图可以作为自定义 LangGraph 的一个节点或子图。
- LangGraph 的 checkpointer、store、streaming 与 interrupt 也是 Deep Agents 的运行基础。
当业务要求“付款前必须走固定风控节点、失败必须进入补偿分支”时，显式 LangGraph 更容易审计。 当任务是“研究这个问题，自行拆分并写出报告”时，Deep Agents 的 Harness 通常更贴近问题形状。
Deep Agents 与 CrewAI
CrewAI 的主要心智模型是 Agent 角色、Task、Crew 与 Flow，适合用“团队如何协作”表达问题。Deep Agents 更强调一个主 Agent 如何管理上下文、文件和 subagents 来完成长任务。
| 判断维度 | Deep Agents | CrewAI |
|---|---|---|
| 首要隐喻 | 长任务 Harness | 角色化团队 |
| 委派入口 | task 与 subagent spec | Agent、Task 与 Crew |
| 底层执行 | LangGraph Runtime | Crew/Flow runtime |
| 语言主线 | Python 与 TypeScript SDK | Python 主线 |
| 更适合的起点 | 已在 LangChain/LangGraph 生态 | 业务天然以角色和团队表达 |
Deep Agents 与 Vercel AI SDK
Vercel AI SDK 解决的是 TypeScript 应用中的模型接入、tool calling、流式协议和前端 UI 体验。 Deep Agents 解决的是服务端长任务 Harness。它们可以组合：后端 Deep Agents 服务产生事件，前端通过 适配后的流协议展示进度、工具调用和审批界面。
如果产品的难点主要是聊天 UI、生成式组件和浏览器流式体验，先从 Vercel AI SDK 开始。如果难点 是长任务上下文、文件工作区、委派和可恢复执行，再引入 Deep Agents。
Deep Agents 与 Claude Agent SDK
两者都属于 Agent Harness，但生态选择不同。Deep Agents 官方强调模型和基础设施的可替换性， 并与 LangChain、LangGraph 和 LangSmith 组合；Claude Agent SDK 与 Claude 编码 Agent 生态结合 更紧密。选型时应核查模型要求、工具环境、部署方式、协议集成和团队已有技术栈，而不是依赖一张 静态功能清单。
快速决策表
| 当前最难的问题 | 优先评估 |
|---|---|
| 一个轻量 Agent 调几个工具 | LangChain create_agent |
| 模型驱动的长任务、文件与委派 | Deep Agents |
| 应用驱动的确定性状态图 | LangGraph |
| 角色化团队与业务 Flow | CrewAI |
| TypeScript AI UI 与流式交互 | Vercel AI SDK |
| 与 Claude 编码 Agent 生态深度结合 | Claude Agent SDK |