0:00 / 0:00

Building Deep Agents and Deploying in Production

Name: Building Deep Agents and Deploying in Production
Uploaded: 2026-07-31T19:19:14.000Z
Duration: 15 min 40 s
Channel: LangChain
Description: Robert Xu van LangChain legt uit wat Deep Agents zijn, hoe het 'harness'-concept werkt, en hoe je Deep Agents in productie implementeert met aandacht voor durable execution, memory management en human-in-the-loop design.

LangChain31 juli 2026Bekijk op YouTube

Onderdeel van serie

Afl. 7 · Agents Deep Managed

Bekijk de serie

Wat je leert

Deep Agents combineren prompts, memory, tools en MCP als kernprimitieven en kunnen met één regelwijziging in LangGraph workflows worden geïntegreerd.
Het harness-concept biedt extra controle en betrouwbaarheid via hooks en middleware, met durable execution en checkpoint recovery voor productie.
Short en long-term memory management, authenticatie en human-in-the-loop design met interrupts en approvals zijn essentieel voor productie-implementatie.
Het bestandssysteem fungeert als de scratch pad van de agent, wat flexibele staat- en werkgeheugen management ondersteunt.

Veelgestelde vragen

Wat is het verschil tussen Deep Agents en standaard agents?

Deep Agents gebruiken een harness-concept dat extra controle en betrouwbaarheid biedt via hooks en middleware, waardoor ze beter geschikt zijn voor complexe taken en productieomgevingen. Ze combineren prompts, memory, tools en MCP als kernprimitieven.

Hoe implementeer je human-in-the-loop design in Deep Agents?

Human-in-the-loop wordt geïmplementeerd via interrupts, approvals en streaming, waarmee gebruikers agent-acties kunnen controleren en goedkeuren voordat ze worden uitgevoerd.

Wat zijn de voornaamste uitdagingen bij het deployen van Deep Agents naar productie?

De voornaamste uitdagingen zijn durable execution met failure recovery, memory management voor korte en lange termijn, authenticatie en RBAC, en het implementeren van human-in-the-loop controles.

Hoe integreer je Deep Agents in LangGraph workflows?

Deep Agents kunnen met slechts één regelwijziging in LangGraph workflows worden geïntegreerd, wat eenvoudige compositing van agents in grotere agentic workflows mogelijk maakt.

Onderwerpen

deep agents langchain langgraph production deployment agentic ai

Beschrijving van het kanaal

Robert Xu from the LangChain team breaks down what Deep Agents actually are, how the "harness" concept fits into the model plus harness equation, and how Deep Agents relate to LangChain and LangGraph. The second half covers what changes when you move a deep agent into production, including durable execution, short and long term memory, authentication, and human in the loop design. Recorded at a LangChain meetup. Chapters: 0:00 Kicking off: deep agents and going to production 0:27 What is a deep agent, and what's a harness 1:07 The Claude Code example: 500,000 lines of harness 1:40 The core primitives: prompts, memory, tools, MCP 2:25 Hooks and middleware, the extra lever 2:48 Why deep agents ships fully open source 3:26 The file system as your agent's scratch pad 4:18 Where deep agents sits in the LangChain stack 5:43 One line change: turning any agent into a deep agent 6:31 Composing deep agents inside LangGraph workflows 7:16 The reliability vs agency tradeoff curve 8:16 Moving deep agents into production 9:48 Durable execution and recovering from failures 11:00 From checkpoints to short and long term memory 12:15 Authentication, RBAC, and the new auth problem 13:48 Human in the loop: interrupts, approvals, streaming 15:06 The LangSmith deployments pitch