Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南

Deep Agents是LangChain建立在LangGraph上的完整Agent Harness，目標是讓模型能處理長時間、多步驟且需要大量Context的任務。它內建Planning、Filesystem、Auto-summarization、Subagents、Long-term Memory、Skills、Permissions與Human-in-the-loop，適合不想從零組裝長任務基礎設施的團隊。

Deep Agents的核心判斷是：長任務不能只依靠更大的Context Window。Agent需要把原始資料和大型工具結果移到Filesystem，用Todo維持進度，把局部工作交給Subagents，並以LangGraph Checkpoint處理中斷與恢復。

長任務 AI Agent 架構圖：任務規畫分派至隔離工作區與子任務，經過權限與人工核准後交付成果 — 原創插圖：長任務 Agent 應將計畫、工作區、權限與人工決策納入可追溯的交付流程。

先講結論：Deep Agents是LangChain建立在LangGraph上的完整Agent Harness，內建write_todos、Filesystem、Auto-summarization、Subagents、Memory、Skills、Permissions與Human-in-the-loop。本文整理Backend選擇、Context隔離、狀態與安全邊…。本文再補充背景、關鍵差異與可核對的脈絡。

這篇文章主要在談什麼？ Deep Agents是LangChain建立在LangGraph上的完整Agent Harness，內建write_todos、Filesystem、Auto-summarization、Subagents、Memory、Skills、Permissions與Human-in-the-loop。本文整理Backend選擇、Context隔離、狀態與安全邊…

讀者首先要掌握哪個重點？ Deep Agents是LangChain建立在LangGraph上的完整Agent Harness，內建write_todos、Filesystem、Auto-summarization、Subagents、Memory、Skills、Permissions與Human-in-the-loop。本文整理Backend選擇、Context隔離、狀態與安全邊…。先抓住這個主軸，再閱讀後續細節。

標題中的關鍵對象有哪些？ Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南；文中依此整理相關人物、作品、事件或概念。

本文整理了哪些背景或脈絡？ 文章從「Deep Agents」出發，補上形成背景、發展脈絡與讀者最容易混淆的重點。

這個主題的核心差異或看點是什麼？ 核心看點在於把「Deep Agents」放回具體例子與前後關係中比較，而不是只列出名詞。

讀者可以從文中得到哪些實用資訊？ 文中依序整理關鍵名詞、人物／作品或事件，以及相關時間、地點、規格或觀察角度；細節以本文段落與引用來源為準。

這篇內容適合哪些搜尋需求？ 適合想快速了解「Deep Agents」定義、背景、差異與延伸脈絡的讀者。

閱讀與查證時應注意什麼？ 若涉及活動、票價、上映、產品或時程，資訊可能更新，請以文中列出的官方或原始來源最新公告核對。

一句話怎麼總結？ Deep Agents是LangChain建立在LangGraph上的完整Agent Harness，內建write_todos、Filesystem、Auto-summarization、Subagents、Memory、Skills、Permissions與Human-in-the-loop。本文整理Backend選擇、Context隔離、狀態與安全邊…。YOLO LAB 將資訊整理成可快速理解與延伸查證的架構。

文章實體化：Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南

本文以「Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南」為主線，補回模型／工具、輸入輸出、版本、成本、測試與使用邊界，讓技術名詞回到可執行的工作流程。

核心元件：把標題中的模型、工具、格式、企業或協定對應到實際輸入、輸出與依賴。
驗證方法：記錄版本、資料、環境、基準、錯誤案例與人工檢查，避免只引用功能宣稱。
治理邊界：說明權限、資料保存、成本、失敗回復與何時需要人工介入。

涉及版本、價格、企業資料或 API 行為時，以文章原始資料與供應商／公司最新文件核對。

先把長任務拆成可驗收的工作邊界

Deep Agents是Agent Harness，不是新的基礎模型。
write_todos負責拆解任務與追蹤進度。
Filesystem讓Agent把大型Context移出對話。
task工具可建立Subagent，隔離局部Context。
Backend決定檔案生命週期、執行位置與安全邊界。
Long-term Memory透過LangGraph Store跨Thread保存。
Filesystem Permission只限制內建檔案工具，不能取代Sandbox。
敏感工具可透過LangGraph Interrupt要求人工核准。

Deep Agents在LangChain生態的位置

元件	定位	用途
LangChain	Agent Framework	Models、Tools、Middleware與Agent Loop
LangGraph	Orchestration Runtime	State、Checkpoint、Streaming與HITL
Deep Agents	Opinionated Harness	Planning、Filesystem、Subagents、Memory與Context管理
LangSmith	Observability／Evals	Trace、Dataset、Debug與監控

只需要簡單Tool Loop時，LangChain Agent通常更直接；需要自訂複雜State Graph時，直接使用LangGraph；需要一套開箱即用的長任務工作環境，Deep Agents才最有價值。

Planning：write_todos如何使用？

Deep Agents內建write_todos，讓模型把長任務拆成可追蹤步驟。Todo應是外部Task State，不只是展示清單。

每個Todo有穩定ID與狀態。
標記依賴、阻塞和負責Agent。
列出需要的來源、工具與權限。
定義可檢查的完成條件。
保存被否決方案和原因。
達到Budget或缺少資料時停止。

todo:
  id: research_04
  goal: 比較三個官方API的資料保留政策
  status: in_progress
  depends_on:
    - source_manifest
  acceptance:
    - three_official_sources
    - retention_periods_verified
    - unresolved_conflicts_listed

Filesystem為何是長任務核心？

Deep Agents提供ls、read_file、write_file、edit_file、glob與grep等工具。Agent可以把原始文件、工具輸出、工作筆記與交付物寫入檔案，只在Context中保留摘要與路徑。

目錄	內容
/sources/	原始文件、API結果與來源Manifest
/notes/	發現、衝突、假設與待核實項目
/workspace/	Plan、Todo、Decision與Checkpoint
/artifacts/	報告、程式、圖表與測試結果
/memories/	跨Thread規則、偏好與經驗
/skills/	按需載入的程序知識

檔案要有Task ID、Source、Version、Created At和Status。否則Agent只是從「忘記對話」變成「找不到工作檔」。

Deep Agents有哪些Backend？

Backend	生命週期	適合	主要風險
StateBackend	單一Thread	暫存Workspace與MVP	跨Thread不持久
FilesystemBackend	本機磁碟	本地CLI與個人專案	可能讀取真實檔案與Secrets
StoreBackend	跨Thread	Memory與組織規則	Namespace錯誤可能洩漏
Sandbox Backend	依Sandbox生命週期	Build、測試與不可信程式	需限制網路與資源
CompositeBackend	混合	依路徑分派不同儲存	路由與權限更複雜

正式系統常用Composite：/workspace/放StateBackend，/memories/放StoreBackend，/policies/設唯讀，程式執行則交給Sandbox。Backend要依資料生命週期選擇，不只看方便。

Subagents如何隔離Context？

Deep Agents的task工具可建立專業Subagent。每個Subagent使用自己的Context Window，只取得局部任務、必要來源與工具；大型結果寫入Artifact，再回傳摘要和路徑。

主Agent保存全域Goal、Todo和Budget。
Subagent只收到一個可獨立驗收的Task。
限制可讀寫檔案、網域與Credential。
輸出使用固定Schema或Artifact。
主Agent處理衝突、去重與整合。
Verifier執行測試、來源與安全檢查。

Subagent不適合共享同一批未完成檔案。多代理平行開發需要Worktree、模組所有權和Merge Gate，可閱讀多代理平行開發怎麼做？。

Auto-summarization能解決什麼？

Message History接近Context上限時，Deep Agents會壓縮較早內容。摘要可以延續任務，卻可能遺失數字、來源與失敗細節，因此重要資訊應提前外部化：

正式規格保留原始文件。
決策寫入Decision Log並附來源。
進度保存在Todo和State。
大型Tool Result寫入Artifact。
摘要只保留導航、限制、未解問題與下一步。

Context Builder與Compaction的完整方法可閱讀Context Engineering怎麼做？。

Long-term Memory怎麼保存？

Deep Agents透過LangGraph Store保存跨Thread資料。Memory應依Agent、User、Organization或Project建立Namespace，並區分不同內容：

Memory	內容
Semantic	已確認事實、實體與術語
Episodic	過去任務、成功和失敗案例
Procedural	Skills、AGENTS.md與工作規則
User	明確確認的偏好與個人資料
Project	架構、命令、Schema與部署流程

Memory寫入要保存來源、時間和修改者。公司政策、正式規則和高影響記憶應設唯讀或需要Review，不讓模型自行改寫。

Filesystem Permissions的邊界

Deep Agents支援針對內建Filesystem Tools設定Read／Write Allow或Deny。它能限制工作區和敏感路徑，但無法自動限制Custom Tools、MCP或Sandbox中的Shell命令。

只允許/workspace/讀寫。
禁止.env、SSH和Credential目錄。
Policy和共用Memory設為唯讀。
Subagent使用比主Agent更窄的規則。
Shell執行放在真正Sandbox，不依賴路徑提示。

Permission是Tool層決策，Sandbox是程序層隔離。只要Agent能執行Shell，就要限制檔案、網路、CPU、Memory、Disk、Time與Secrets。

Human-in-the-loop如何使用？

Deep Agents使用LangGraph Interrupt在敏感Tool執行前暫停，讓使用者Approve、Edit或Reject。適合的核准點包括：

修改正式Memory和Policy。
刪除檔案或大量覆寫。
部署、Migration和權限變更。
寄送、付款與公開發布。
進入新的資料或網路Scope。

核准需要Checkpointer保存State，畫面則顯示完整Tool、參數、Diff與影響。泛化的「允許所有操作」不應跨任務重用。

Deep Agents Code與ACP

官方Repository同時提供Deep Agents SDK、CLI與Agent Client Protocol整合。Deep Agents Code是預建Coding CLI；ACP則讓Agent接入相容編輯器。ACP處理Agent與Editor通訊，MCP處理Agent連接外部Tools與Resources，兩者位於不同層級。

適合哪些工作？

需要持續數十分鐘以上的研究和分析。
大型Repository的理解、修改、測試和文件。
大量資料和工具結果需要外部化。
需要Subagent分工與Context隔離。
需要跨Thread Memory和Skills。
希望自訂模型、Backend、Sandbox與MCP。

簡單問答、少量Tools與短任務不需要Deep Agents。高階LangChain Agent或固定Workflow通常更便宜、更容易驗證。

導入清單

選一個有明確交付和測試的長任務。
建立Todo、Filesystem與Artifact結構。
先使用StateBackend和少量Tools。
需要跨Thread時再加入StoreBackend。
程式執行移到Sandbox。
為Subagent設定窄Task與Permission。
測Compaction後能否回到正式證據。
測Interrupt、Resume、Retry與Cleanup。
記錄Token、時間、Tools和人工修改。

常見問題

Deep Agents是模型嗎？

不是。它是Agent Harness，可搭配支援Tool Calling的不同模型。

可以使用本地模型嗎？

可以，但長任務品質取決於模型的Tool Calling、規劃、Context和錯誤恢復能力。

Filesystem Permission等於Sandbox嗎？

不等於。Permission控制內建Tool，Sandbox限制實際程序、檔案、網路和資源。

官方資料與延伸閱讀

Deep Agents把長任務常見的Planning、Filesystem、Subagents與Memory整合成一套Harness。它提供快速起點，真正的可靠度仍由Backend、Namespace、Sandbox、Tool Contract、Evals與人工責任決定。

資料來源與延伸閱讀

Deep Agents Overview（docs.langchain.com）
Deep Agents Backends（docs.langchain.com）
Deep Agents Permissions（docs.langchain.com）

增量：Deep Agents 的難題，是長任務如何保持可控

Planning、工作區、子代理與記憶各自降低不同的複雜度，但也增加狀態與權限的表面。設計時要說清楚誰能讀哪些檔案、誰能建立或修改資料、子代理如何回報證據、主代理如何審查，以及任務中斷後從哪裡恢復。

長任務應有里程碑、檢查點、預算與逾時；記憶只保存必要且可驗證的資訊，避免把暫時推測當成永久事實。真正可靠的 Deep Agent，是能在不確定時縮小範圍、請人確認並安全停下來。

把「Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南」變成可操作的判斷表

遇到最新狀態、購票、名單或推薦型問題，讀者需要的不只是單一答案，而是知道答案的有效期限、判斷依據與變動風險。這篇文章可以再用下面的方式閱讀：先確認官方資訊，再辨認實際選擇的條件，最後保留替代方案與更新時間。

分析面向	要追問什麼	可查找的證據
狀態核查	這個結論截至什麼日期仍成立？	官方公告、主辦方頁面、更新時間與版本
選擇條件	不同方案真正差異是什麼，適合哪種讀者？	價格、位置、資格、時間、交通與限制
風險與例外	哪些情況會讓一般建議失效？	售罄、延期、規則變更、資格與退換政策
行動順序	讀者下一步應先做什麼，如何避免重複查找？	檢查清單、連結層級與備援方案

這樣整理能讓文章不只提供一次性的資訊，也保留讀者在狀態改變後重新判斷的工具。

Deep Agents 怎麼設計？Planning、工作區、子代理、記憶與權限指南