LangChain startet Deep Agents deploy als offene Alternative zu Claude Managed Agents

13. Oktober 2026, 18:04Quelle: LangChain

LangChain hat Deep Agents deploy in der Beta-Version gestartet. Damit lässt sich ein modellunabhängiger Open-Source-Agent-Harness mit einem einzigen Befehl in den Produktivbetrieb bringen. Das Unternehmen positioniert das Angebot als offene Alternative zu Claude Managed Agents und argumentiert, offene Harnesses ermöglichten es Teams, den Speicher ihrer Agenten selbst zu besitzen.

Das Wichtigste in Kürze

LangChain hat Deep Agents deploy in der Beta gestartet und bündelt den Produktivbetrieb im Einzelbefehl deepagents deploy.
Der Befehl verpackt einen Deep Agent mit einem LangSmith-Deployment-Server, der über 30 Endpunkte bietet, darunter MCP, A2A, Agent Protocol, Human-in-the-Loop und Speicher.
Das Produkt funktioniert mit jedem Modell- und Sandbox-Anbieter und setzt auf offene Standards wie AGENTS.md und Agent Skills.
LangChain stellt es Claude Managed Agents gegenüber und argumentiert, geschlossene Harnesses sperrten den Speicher hinter einer proprietären API ein.
Beim Selbsthosten von LangSmith Deployments bleibt der Agentenspeicher laut LangChain in den eigenen Datenbanken des Nutzers.

Ein Befehl für die Schritte in die Produktion

Laut LangChain hat sich „Harness Engineering“ zu der Disziplin entwickelt, in der Harnesses gebaut werden, die aus LLMs Agenten machen. Diese Harnesses enthalten Orchestrierungslogik, Tools und Skills; Entwickler können eigene Anweisungen, Tools und Skills für ihren Anwendungsfall ergänzen.

Für den Weg in die Produktion sind dem Unternehmen zufolge mehrere Schritte nötig:

Die Orchestrierungslogik und den Speicher des Agenten mandantenfähig und skalierbar bereitstellen.
Sandboxes so einrichten, dass sie pro Agentensitzung hochgefahren werden.
Endpunkte für die Interaktion mit dem Agenten aufsetzen, darunter MCP, A2A und weitere für Human-in-the-Loop, Speicher und mehr.

Deep Agents deploy bündelt all das in einem Befehl: deepagents deploy. Im Hintergrund verpackt er den Deep Agent des Nutzers mit einem eigenen LangSmith-Deployment-Server, den LangChain als produktionsreif und horizontal skalierbar beschreibt.

Was bereitgestellt wird und welche Endpunkte der Server bietet

Nutzer legen für ihren individuellen Agenten einige Parameter fest:

model: das zu verwendende Large Language Model. Deep Agents funktioniert mit jedem Modell und Anbieter, darunter OpenAI, Google, Anthropic, Azure, Bedrock, Fireworks, Baseten, Open Router und Ollama.
AGENTS.md: der zentrale Anweisungssatz, der zu Beginn der Sitzung geladen wird.
skills: Agent Skills, die über Markdown-Dateien spezialisiertes Wissen und über Skripte Aktionen bereitstellen.
mcp.json: Tools, die der Agent über das MCP-Protokoll (HTTPS/SSE) aufrufen kann.
sandbox: eine optionale Umgebung, in der der Agent arbeiten und Skills ausführen kann. Integrationen mit Daytona, Runloop, Modal und LangSmith Sandboxes sind enthalten, jeder Sandbox-Anbieter lässt sich nutzen.

Der bereitgestellte Server bietet mehr als 30 Endpunkte. Dazu gehören MCP, sodass sich bereitgestellte Agenten als Tools aufrufen lassen, und A2A für Multi-Agenten-Setups. Weitere Endpunkte decken das Agent Protocol zum Bau von Oberflächen für den Agenten, Human-in-the-Loop-Schutzmechanismen sowie Speicher-Endpunkte für Kurzzeit- und Langzeitgedächtnis ab.

Das Argument des offenen Ökosystems gegen Lock-in

LangChain baut das Produkt auf deepagents auf, einem Open-Source-Harness unter MIT-Lizenz für Python und TypeScript. Es nutzt die offenen Standards AGENTS.md und Agent Skills und stellt Agenten über MCP, A2A und das Agent Protocol bereit. Das Unternehmen sagt, es lasse sich mit jedem Modellanbieter und jedem Sandbox-Anbieter integrieren, und erklärt: „No Anthropic lock-in.“ LangSmith Deployments können zudem selbst gehostet werden.

Im Vergleich zu Claude Managed Agents sagt LangChain, die grundlegende Architektur aus Harness, Agent-Server und Sandboxes sei dieselbe. Claude Managed Agents bezeichnet das Unternehmen als „Walled Garden“, der einen Lock-in erzeuge.

Der zentrale Punkt ist der Speicher. LangChain argumentiert, ein Harness verwalte Kontext, und Speicher sei Kontext. Wer Teile des Harness hinter einer API verschließe, schließe damit auch den Speicher ein. Der Wechsel zwischen Modellen sei vergleichsweise einfach, doch die Bündelung des Speichers hinter Modell-APIs führe zu einem starken Lock-in. Als Beispiel nennt das Unternehmen einen internen SDR-Agenten, der von Nutzern lernt: Ein Wechsel von Harness oder Modell würde bedeuten, diesen Speicher zurückzusetzen und von vorn zu beginnen. Bei kundenorientierten Agenten gehörten die angesammelten Erinnerungen demjenigen, dem die geschlossene API gehört.

Was das für Teams bedeutet, die Agenten bauen

LangChain zufolge speichert deepagents deploy den Speicher in einem Standardformat (AGENTS.md, Skills und andere Dateien) und erlaubt es Nutzern, ihn direkt per API abzufragen. Wenn ein Team selbst hostet, bleibt der Speicher laut Unternehmen ausschließlich in den eigenen Datenbanken.

Für Teams, die gehostete Agentenplattformen abwägen, lautet das Angebot: Modelle und Sandboxes frei wählen und zugleich die Hoheit über das behalten, was die eigenen Agenten lernen. Das Produkt befindet sich in der Beta-Phase; wer es ausprobieren möchte, findet laut LangChain Dokumentation und GitHub-Repository.