Deep Agents مقابل LangGraph: أي طبقة تحتاجها حقًا؟

يتطلب بناء agent ما هو أكثر من مجرد توصيل LLM ببعض الأدوات. تحتاج أيضًا إلى تحديد كيفية إدارة agent للحالة، وتعاملها مع السياق، واستدعاء الأدوات، وتنفيذ المهام، وتحديد الخطوة التالية.

يحل كل من LangGraph وDeep Agents هذه المشكلات عند مستويات مختلفة من التجريد. يمنح LangGraph المطورين العناصر الأساسية لتحديد وتدفق تنفيذ agent، بينما يقدم Deep Agents هيكل agent جاهزًا ومن مستوى أعلى يعتمد على LangGraph.

كلاهما يحل المشكلة الأساسية نفسها. النموذج يفكر ولكنه لا يستطيع الفعل؛ لن يفتح ملفًا، أو يستدعي API، أو يشغل الكود الذي كتبه للتو، أو يتذكر ما قرره قبل أربع جولات. يجب أن يتوفر شيء يحيط بالنموذج ويسد هذه الفجوة، ثم يستمر في سدها لطالما استغرقت المهمة. يوفر لك LangGraph الأجزاء لبناء ذلك الشيء، بينما يقدمه لك Deep Agents مجمعًا وجاهزًا.

ما هو LangGraph؟

LangGraph هو بيئة تشغيل agent (agent runtime). تقوم بنمذجة مسار العمل كـ directed graph: العقد (nodes) هي عمليات منفصلة، والحواف (edges) تحدد ما يعمل لاحقًا، وبنية حالة ذات نمط محدد (typed state schema) تمر عبر كل خطوة. يتنقل التنفيذ عبر هيكلك حتى ترجع إحدى العقد END.

عادةً ما يبدو بناء LangGraph كالتالي:

• تحديد بنية الحالة (state schema): كائن محدد النمط تقرأ منه كل عقدة وتكتب فيه.
• كتابة العقد (nodes): كل منها عبارة عن دالة: استدعاء نموذج، أو استخدام أداة، أو تحويل الحالة، أو التحقق من شيء ما.
• توصيل الحواف (edges): تسلسلات ثابتة، بالإضافة إلى حواف شرطية تتفرع بناءً على ما تحتويه الحالة في تلك اللحظة.
• إضافة نقاط التحقق (checkpointers): استمرارية تسمح للتشغيل الذي تعرض للعطل بالاستئناف من آخر خطوة مكتملة بدلاً من البداية.
• إضافة الانقطاعات (interrupts): نقاط إيقاف مؤقت حيث يراجع الإنسان أو يوافق قبل استمرار التنفيذ.

تعد نقاط التحقق والانقطاعات هي الفوارق الحقيقية هنا، ولهذا السبب أصبح LangGraph الأساس لتقريبًا كل شيء آخر في منظومة LangChain. يعتمد عليه كل من create_agent الخاص بـ LangChain وDeep Agents.

يعمل LangGraph بشكل أفضل عندما:

• يكون لمسار العمل شكل معين، وهذا الشكل يرمز لمعرفة بالمجال لا تريد أن يتكهن بها النموذج
• تختلط الخطوات الحتمية وخطوات النموذج في نفس الأنبوب (pipeline)
• يتعين على الإنسان الموافقة عند نقطة محددة، وليس "في مكان ما داخل الحلقة"
• تكون عمليات التشغيل طويلة بما يكفي ليكون الاستئناف من نقطة تحقق أمرًا مهمًا
• تحتاج إلى تفريع أو حلقات تعود إلى مراحل سابقة لا تسمح بها أي حلقة ثابتة

المثال الخاص بـ LangChain نفسه هو مسار عمل طلب الإيجار: استخراج الدخل والسجل الائتماني من المستندات، وتقييمها بناءً على معايير المؤجر، ثم الموافقة التلقائية، أو الرفض، أو تصعيد الحالات الحدية. الخطوة الأولى فقط هي التي تتعامل مع LLM، والباقتي هو كود ثابت، ويجب أن يظل كودًا ثابتًا.

ما هي Deep Agents؟

Deep Agents هو هيكل agent (agent harness). يحمل نفس الحلقة الأساسية لـ create_agent الخاص بـ LangChain، ولكن بأسلوب محدد مسبقًا، مدمجًا ممارسات هندسة السياق افتراضيًا. تصفه LangChain بأنه agent الأساسي بالإضافة إلى مجموعة من البرمجيات الوسيطة (middleware)، وهو في الأساس عبارة عن رسم بياني (graph) في LangGraph.

ما يأتي مدمجًا معه:

• نظام ملفات، حتى يقرأ agent ويكتب السياق الذي لا ينبغي أن يحمله في نافذة السياق
• Subagents، تقوم بأعمال متخصصة دون تضخيم السلسلة الرئيسية
• المهارات (Skills)، تعليمات وسكريبتات يحملها agent عند الطلب
• الذاكرة، بحيث يحمل agent التعلم عبر عمليات التشغيل المختلفة
• هيكل التخطيط، الآلية التي تفكك المهمة قبل العمل عليها

تحصل على agent من create_deep_agent مع نموذج، ومجموعة من الأدوات، وموجه نظام (system prompt)، دون الحاجة لكتابة رسم بياني (graph).

الفرق عن LangGraph يتعلق بمن يكتب الحلقة. مع LangGraph، تقوم بالتصريح عن العقد والشروط، وتكون السيطرة على التدفق لك. مع Deep Agents، تقدم الأدوات والتعليمات وتضغط على زر التشغيل، ويقرر النموذج ما يحدث بعد ذلك داخل حلقة كتبها شخص آخر. إذا كنت تريد النسخة الأكثر تفصيلاً من هذا المفهوم، فقد كتبناها بشكل منفصل في agent harness مقابل agent framework.

تكون Deep Agents الأفضل عندما:

• يعتمد مسار agent على ما وجدته الخطوة السابقة، وبالتالي لا يوجد رسم بياني (graph) لرسمه
• تريد agent كفؤًا في غضون ساعات بدلاً من أيام
• الأبحاث، أو التحقيقات متعددة الخطوات، أو أي شيء يتشعب عبر مصادر متعددة
• تستثمر بالفعل في LangGraph وتريد الحلقة دون بنائها يدويًا
• يفضل فريقك توريث قرارات إدارة السياق بدلاً من اتخاذها بنفسه

Deep Agents مقابل LangGraph: الفروق الأساسية

يهدف كلاهما إلى النتيجة نفسها، ويقعان عند مستويات مختلفة في البنية نفسها، ولهذا السبب لا يمكن حسم سؤال "أيهما أفضل". أحدهما يطلب منك تصميم سلوك agent، والآخر يقرر معظمه نيابة عنك ويحملّك تكلفة الـ tokens للأجزاء التي قررها بسخاء.

بديل أفضل للإنتاج: TrueForge Agent Harness

يحل LangChain Deep Agents الكثير من العمل الشاق داخل agent الفردي، بما في ذلك التخطيط، وsubagents، وأدوات نظام الملفات، والمهارات، والذاكرة، والتنفيذ طويل الأمد. ولكن بمجرد تشغيل agents عبر أفرقة متعددة، ينتقل التحدي من بناء agent إلى إدارة الأسطول.

TrueForge هو هيكل agent مفتوح المصدر ومحايد للمزودين من TrueFoundry لطبقة بيئة التشغيل تلك. يقوم بتشغيل حلقة agent حول النموذج، بما في ذلك التخطيط، واستدعاءات الأدوات، وإدارة السياق، والموافقات، وحالة الجلسة، مع السماح لك بجلب النماذج الخاصة بك، وخوادم MCP، ومزودي بيئات الاختبار (sandboxes).

يمكنك تشغيله محليًا باستخدام npx @truefoundry/trueforge، أو نشر نفس الهيكل لفريق باستخدام Docker Compose أو Helm. راجع وثائق TrueForge.

تحسين بيئة تشغيل Agent

يوفر TrueForge أيضًا آليات متعددة للتحكم في كمية السياق وبيانات الأدوات التي تصل إلى النموذج.

تعني Deferred tool loading تحميل مخططات أدوات MCP عند الطلب بدلاً من ملء النافذة مسبقًا. يتيح Code Mode لـ agent ربط عدة استدعاءات أدوات داخل سكريبت sandbox واحد، بحيث يدخل ملخص الطباعة فقط إلى السياق بدلاً من كل نتيجة متوسطة. يتم ترحيل استجابات الأدوات الضخمة إلى ملف sandbox واستبدالها بمسار ومعاينة. يتم الضغط (Compaction) عند 80% من طول سياق النموذج ويستبدل السجل القديم بملخص مهيكل، وهو الرد المباشر على إعادة التشغيل. تعمل Subagents بسياق نظيف خاص بها ولا تعيد سوى النتيجة.

نموذج sandbox هو الأداة الأخرى؛ إذ تلف معظم الهياكل الجلسة بأكملها في حاوية. يتعامل TrueForge مع sandbox كأداة ويقوم بإنشاء واحدة فقط عندما يحتاج agent بالفعل إلى تنفيذ كود، بحيث يشغل خادم واحد العديد من agents في وقت واحد وتظل الجولات التي لا تلمس الكود منخفضة التكلفة.

أكثر من مجرد مكتبة Python

تم تمثيل TrueForge أيضًا كبيئة تشغيل بدلاً من مجرد واجهة مكتبة.

يدير الخادم الرئيسي (core server) حلقة agent ويوفر البث المباشر (streaming)، وبوابات الموافقة، وتفويض subagent، والضغط، والجلسات الدائمة. تكشف HTTP API وTypeScript SDK (@truefoundry/trueforge-sdk) عن الميزات نفسها برمجياً. يمكن استخدام واجهة دردشة مستقلة وUI SDK (@truefoundry/trueforge-ui) مباشرةً، أو تخصيص مظهرها، أو تضمينها في منتج آخر.

يمنح هذا الفرق واجهة نشر تتجاوز تعريف agent في Python نفسه: يمكن لبيئة التشغيل نفسها تشغيل تطبيق، أو API، أو تجربة agent مدمجة.

النماذج وخوادم MCP ومزودو sandbox جميعها قابلة للجلب حسب الاختيار. عندما يصدر نموذج أرخص، تقوم بالإشارة إليه بدلاً من إعادة كتابة agent، وتلك هي الطريقة التي حل بها نفس اختبار التقييم على GLM-5.2 حوالي 11 من 14 مهمة مقابل 2.90 دولار لكل تشغيل.

اختبار مقارنة بين Deep Agents وTrueForge

يصبح الفرق بين agent framework وagent runtime أكثر وضوحًا عند مقارنتهما على أعباء العمل نفسها. قامت TrueFoundry باختبار TrueForge وDeep Agents على Enterprise-Bench الخاص بـ DevRev، والذي يتكون من 14 مهمة مؤسسية عبر الأنظمة. تتطلب كل مهمة من agent التخطيط، واستدعاء أدوات MCP عبر CRM، ومتابع المشاريع، ومخزن المستندات، ودمج النتائج، وإعادة إجابة تلبي معايير التقييم. قام كلا الهيكلين بتشغيل المهام نفسها مع خوادم MCP نفسها، وتم تقييم الإجابات بواسطة محكم LLM محايد.

مع تثبيت Opus 4.8، أنتج الهيكلان دقة مهام متطابقة تقريبًا، لكن تكاليف التنفيذ كانت مختلفة:

يظهر التقييم فرقًا صغيرًا نسبياً في دقة المهام، ولكنه يظهر فرقاً أكبر بكثير في تكلفة التنفيذ. استخدم TrueForge أقل من ربع الـ tokens التي استخدمها Deep Agents وكان أرخص بحوالي 2.5 مرة لكل تشغيل على النموذج نفسه.

طبقة بيئة التشغيل لـ AI Agents في بيئات الإنتاج

قم بتشغيل agents في بيئة الإنتاج باستخدام بيئة تشغيل مفتوحة المصدر لنماذجك، وأدوات MCP، وبيئات الاختبار (sandboxing)، والموافقات، وإمكانية المراقبة (observability).

استكشف TrueForge

عرض على GitHub

يعود هذا الاختلاف بشكل كبير إلى كيفية التعامل مع التنسيق (orchestration) والسياق في كلا البيئتين. يوفر Deep Agents إمكانيات مثل التخطيط، ونظام ملفات افتراضي، وsubagents، ولكن يمكن لهذه الميزات أيضاً إضافة المزيد من التنسيق والسياق إلى كل جولة. يتخذ TrueForge نهجًا أكثر كفاءة، حيث يستخدم استدعاءات أدوات مستهدفة وضغط السياق لتجنب إرسال السجلات الكبيرة واستجابات الأدوات بشكل مكرر إلى النموذج. هذا الأمر مهم لأن تكلفة agent لا تتحدد بسعر النموذج وحده. يمكن لنظامي agents يشغلان النموذج نفسه أن يستهلكا كميات مختلفة تمامًا من الـ tokens بناءً على كيفية تنفيذهما للتخطيط، واستخدام الأدوات، وإدارة السياق، وsubagents.

ربط بيئة تشغيل Agent بطبقة المنصة

يمكن لـ TrueForge أيضاً الاتصال بـ AI Gateway وMCP Gateway من TrueFoundry لتوفير عناصر التحكم التي تصبح مهمة بمجرد أن تتوقف agents عن كونها مشاريع معزولة، بما في ذلك الوصول المركزي للنماذج، وبيانات اعتماد MCP، والتحكم في الوصول (RBAC)، والميزانيات، وحواجز الحماية (guardrails)، وتدوير بيانات الاعتماد، والتتبع الموحد (unified traces). ينقل هذا تلك الاهتمامات خارج تعاريف agents الفردية إلى طبقة منصة مشتركة.

بالنسبة للفرق التي تقيم Deep Agents للإنتاج، يعد التقييم تذكيرًا مفيدًا بأن الإطار عمل هو جزء واحد فقط من البنية. يمكن لهندسة بيئة التشغيل المحيطة بـ agent أن تؤثر بشكل كبير على استخدام الـ tokens، وزمن الاستجابة، والتكلفة. تم تصميم TrueForge لتوفير طبقة بيئة التشغيل تلك مع الحفاظ على مرونة خيارات النموذج والبنية التحتية.

إذن، أيهما يجب أن تختار؟

اختر LangGraph عندما يكون شكل الرسم البياني هو القيمة الأساسية. مثل بوابات الامتثال عند عقد محددة، أو الحلقات الشرطية التي تعود إلى مراحل سابقة، أو المسارات التي يتعين فيها لخطوة واحدة فقط التعامل مع النموذج. إذا كنت تعتمد بالفعل على LangGraph وكان التدفق يأخذ شكل رسم بياني حقيقي، فاستمر عليه.

اختر الهيكل (harness) عندما تجد نفسك تبني يدويًا حلقة موجودة بالفعل في مكان آخر. حينها يكون السؤال فقط هو أي هيكل تختار، وهذا سؤال يتعلق بـ إدارة السياق؛ لذا اقرأ وثائق الضغط (compaction)، والترحيل (offloading)، والتحميل المؤجل (deferred loading) قبل أن تلتزم. إذا لم تذكر الوثائق هذه الأمور، فأنت تنظر إلى إطار عمل يحمل مسمى هيكل فقط.

اختر deepagents تحديدًا إذا كنت تريد بيئة LangChain وتجريداتها وكان ملف تعريف الـ tokens مقبولاً لحجم عملك. لن تشعر عمليات التشغيل القصيرة بالفرق.

اختر TrueForge إذا كانت عمليات التشغيل الطويلة هي حالتك الطبيعية، أو إذا كنت بحاجة إلى HTTP API أو واجهة مدمجة بدلاً من مكتبة، أو إذا كنت تريد ترخيص MIT دون التزام ببيئة محددة، أو إذا كانت التكلفة لكل تشغيل يجب أن تصمد أمام استفسارات الإدارة المالية. يغطي تحليلنا لـ بدائل LangGraph خيارات طبقة أطر العمل إذا تبين أنها الطبقة التي تحتاجها بالفعل.

غالباً ما تكون الإجابة هي كلاهما. يتعامل إطار العمل مع التنسيق بين agents، أو مسار العمل الحتمي الذي يجلس داخله agent المدار بواسطة الهيكل. بينما يقوم الهيكل بتشغيل agents أنفسهم. النمطان اللذان يجب تجنبهما هما استخدام إطار عمل لإعادة بناء حلقة كان بإمكانك وراثتُها، أو إجبار الهيكل على المرور عبر تسلسل امتثال صارم من خلال وصفه في موجه والتعلق بالأمل.

الأسئلة الشائعة

س: ما الفرق بين deep agents وLangGraph؟

ج: LangGraph هو بيئة تشغيل agent (agent runtime) وDeep Agents هو هيكل agent (agent harness) مبني عليه. مع LangGraph، تقوم بالتصريح عن العقد، والحواف، والحالة، وتكتب تدفق التحكم بنفسك. مع Deep Agents، تكون الحلقة مكتوبة بالفعل، إلى جانب نظام ملفات، وsubagents، ومهارات، وذاكرة، وبالتالي تقدم الأدوات والتعليمات فقط. يعتمد Deep Agents في الأساس على رسم بياني لـ LangGraph تحت البنية.

س: هل يعد Deep Agents بديلاً لـ LangGraph؟

ج: لا، ولا يمكن أن يكون كذلك، لأنه يعمل على LangGraph. يمنحك الهيكل حلقة ثابتة يقودها النموذج. إذا كان مسار عملك يحتاج إلى هيكلية مخصصة، أو بوابات تحقق عند عقد مجهزة، أو حلقات شرطية تعود إلى مراحل سابقة، فلن يعبر أي هيكل عن ذلك ويظل LangGraph هو الأداة المناسبة. العديد من أنظمة الإنتاج تشغل كلاهما في طبقات مختلفة.

س: أيهما أرخص في التشغيل، deepagents أم هيكل آخر؟

ج: في اختبار Enterprise-Bench الخاص بنا، استخدم deepagents على Opus 4.8 حوالي 16.5 مليون token و21 دولارًا لكل تشغيل، مقابل 3.8 مليون token و8.50 دولارًا لـ TrueForge على النموذج نفسه والمهام الـ 14 نفسها، مع تقارب الدقة بفارق مهمة واحدة. الفجوة تأتي من إعادة تشغيل السياق المتراكم بدلاً من ضغطه، بالإضافة إلى هياكل الدعم التي تُحمل في كل جولة.

س: هل يمكنني تشغيل أي منهما في VPC الخاص بي أو في الموقع (on-prem)؟

ج: نعم. كلاهما مفتوح المصدر وقابل للاستضافة الذاتية. يعمل TrueForge من أمر npx واحد محلياً، أو عبر Docker Compose وHelm لعمليات النشر الخاصة بالفريق مع Postgres وRedis والنسخ المماثلة وتناول تسجيل الدخول عبر OIDC. كما تعمل منصة TrueFoundry المدارة عبر الاستضافة الذاتية، أو في الموقع، أو معزولة عن الشبكة (air-gapped)، أو هجينة، بحيث لا تغادر أي بيانات نطاقك.

س: كيف أقوم بحوكمة النماذج وخوادم MCP عبر عدد كبير من agents؟

ج: من خلال طبقة البوابة (gateway layer)، بمجرد أن تتوقف المفاتيح المدارة ذاتياً عن التوسع. تضع AI Gateway من TrueFoundry أكثر من 1,000 نموذج LLM خلف API واحد متوافق مع OpenAI بزمن استجابة مضاف يبلغ حوالي 3 إلى 4 مللي ثانية و350+ RPS على vCPU واحد، مع RBAC وميزانيات وحواجز حماية وتدوير بيانات الاعتماد، بالإضافة إلى تتبعات OpenTelemetry إلى Grafana أو Datadog أو Prometheus. تخضع agents المبنية على LangGraph أو deepagents أو أي شيء آخر للحوكمة بالطريقة نفسها.

قراءات ذات صلة

• Agent Harness مقابل Agent Framework: ما هو الفرق الحقيقي؟: التمييز بين الفئات الذي يعتمد عليه هذا القرار بأكمله
• بدائل LangChain Deep Agents: خيارات الهياكل المتاحة إذا لم يكن deepagents هو الخيار المناسب
• TrueForge مقابل Claude Managed Agents: أرخص بنسبة تصل إلى 75%: منهجية Enterprise-Bench الكاملة والنتائج
• أفضل هياكل Agents مفتوحة المصدر: مقارنة أفضل 5 مشاريع: كيف تتنافس الخيارات مفتوحة المصدر
• بدائل LangGraph: مقارنة 5 خيارات لعام 2026: إذا كانت طبقة إطار العمل هي التي تحتاجها بالفعل

الخلاصة

ينحصر الاختيار بين Deep agents مقابل LangGraph في الطبقة التي تقع فيها مشكلتك، ويمكنك حسم ذلك بسؤال واحد: هل لمسار agent شكل تريد تأليفه، أم يتم اكتشافه مع استمرار التشغيل؟

إذا كان له شكل محدد، اختر LangGraph. وإذا لم يكن كذلك، فأنت بحاجة إلى هيكل (harness)، وحينها يكون الفارق هو ما يفعله ذلك الهيكل بنافذة السياق الخاصة بك عند الجولة الأربعين. هذا الأمر يستحق القياس قبل البناء عليه.

يمنحك npx @truefoundry/trueforge agent يعمل في غضون دقيقة تقريباً، أو شاهد كيف يتعامل TrueForge مع السياق في عمليات التشغيل الطويلة.