Day 8：介紹 Deep Agents 與 Harness Engineering

前面幾天，我們已經對 Agent 所需要的東西有個概念(當然還不是全部)，包括 config、datasource，以及 tools，接下來想介紹這個 project 會使用的 framework：Deep Agents，以及它背後一個很重要的概念：Harness Engineering。

What Is Deep Agents?

Deep Agents 是 LangChain 提供的 open-source Agent harness framework，建立在 LangGraph 之上。

可以先把它簡單理解成：

Deep Agents
    ↓
LangChain
    ↓
LangGraph

LangGraph 提供比較底層的 Agent runtime，而 Deep Agents 則把很多常見的 Agent capabilities 先準備好。

例如：

• planning
• context management
• tool usage
• subagents
• filesystem access
• execution environment
• long-running tasks

source

如果直接使用 LangGraph，我們可以自己控制很多細節，但相對地也代表很多細節都要自己處理。

Deep Agents 比較像是在 LangGraph 上先準備好一套可以直接工作的環境，我們再針對 project 真正需要的地方進行調整。

What Is Harness Engineering?

可以先把 Agent 簡單想成：

Agent = Model + Harness

Model 提供 reasoning 與 intelligence，Harness 則是 model 周圍的 environment。

例如：

• model 可以看到哪些 context
• 可以使用哪些 tools
• tool result 要怎麼處理
• context 太長時要怎麼整理
• task 要不要交給其他 subagent
• execution 要怎麼被控制
• result 要怎麼被驗證

這些都屬於 harness engineering 的範圍。

所以即使兩個 Agent 使用同一個 model，最後表現也可能差很多。

差別可能來自：

• system prompt
• tools
• context
• execution flow
• verification
• memory
• error handling

也就是說，model 很重要，但 我們怎麼讓 model 工作 同樣重要。

Why Do We Use Deep Agents?

我們當然可以直接使用 LangGraph，自己建立整個 Agent flow。

但在這個 project 裡，我不想把太多時間花在重新實作一些常見的 Agent infrastructure。

Deep Agents 已經提供不少可以直接使用的能力，例如：

Context
   ↓
Model
   ↓
Tool Calling
   ↓
Execution
   ↓
Result

以及：

Agent
  ↓
Subagent

這些能力可以讓我們更快把注意力放在真正和這個 project 有關的問題：

• Agent 應該有哪些 tools？
• Agent 可以看到哪些資料？
• context 要怎麼控制？
• 什麼時候需要 human input 或是 human approval？
• Agent-generated code 要在哪裡執行？
• 如何讓 Agent 不會因為 context 越來越大而失控？

Before and After the Model

Deep Agents 也讓我們可以在 model call 前後加入自己的處理邏輯。

例如，在呼叫 model 之前，可能會做：

• 移除過大的 tool result
• 過濾 confidential information
• summarize 舊 messages
• 補上額外 context
• 控制目前可以使用哪些 tools

在 model response 之後，也可能會做：

• 檢查 tool calls
• 更新或轉換目前的 state
• 決定下一步要走哪個流程
• 驗證輸出結果
• 觸發其他後續流程

這也是 harness engineering 很重要的一部分。

我們不是只把 prompt 丟給 model，然後等待答案。

而是在 model 周圍建立一個可以持續控制 execution 的 environment。

A Minimal Deep Agent

結合昨天內容的 Deep Agent 實作如下，：

from deepagents import create_deep_agent

agent = create_deep_agent(
    model=model,
    tools=[
        read_file,
        query_database,
    ],
    system_prompt="""
    You are a data analysis agent.

    Use the available tools to inspect the datasource
    before making conclusions about the data.
    """,
)

這只是一個簡單的範例，之後把需要的 component 都介紹完就會開始組合起來，到時候就會看到怎麼建立。

Why Not Build Everything Ourselves?

自己從 LangGraph 開始做當然可以，而且可以得到更多控制權。

但對這個系列來說，目標不是重新建立一套 Agent framework。

我們比較想把時間放在：

User Intent
    ↓
Agent
    ↓
Tools
    ↓
Analysis Code
    ↓
Execution
    ↓
Result

所以使用 Deep Agents，可以讓我們跳過一些已經有成熟解法的 infrastructure，把重點放在這個 project 真正想解決的問題。

What's Next?

今天先把 Deep Agents 和 harness engineering 的角色講清楚。

下一篇會往更底層一點，看 Agent 裡面的 ChatModel 到底提供哪些能力，包括：

• streaming
• tool calling
• structured output
• model configuration
• prompt caching

理解這些能力之後，再回來看 Deep Agents 怎麼把它們組合成一個完整的 Agent。