LangChain Deep Agentsと本番環境の現実：実際に欠けているもの

AIエージェントの能力向上に伴い、開発者は単なるチャットボットを超えて、以下のようなシステムへと移行しています。 計画、 推論、 ツール利用を行い、複雑なタスクを自律的に完了させるシステムです。しかし、こうしたワークフローをゼロから構築するには、高度なオーケストレーションと状態管理が求められます。

LangChain Deep Agents は、このプロセスを簡素化します。 LangGraphを基盤として構築されており、ボイラープレートコードを削減しつつ、長時間実行されるマルチステップのAIエージェントを作成するための高レベルな抽象化を提供します。プランナー、メモリ、ツール呼び出し、実行ループを個別にオーケストレーションする代わりに、Deep Agentsを使用することで、洗練されたエージェントワークフローをより迅速に構築できます。

本ガイドでは、LangChain Deep Agentsの定義、仕組み、主な機能、LangGraphとの比較、そして本番環境でAIエージェントを構築する際に適した選択肢となるケースについて解説します。

LangChain Deep Agentsとは？

LangChain Deep Agents は、最小限のオーケストレーションコードで、 長時間実行されるマルチステップのタスク を処理できるAIエージェントを構築するための、LangChainによるオープンソースライブラリです。計画立案、タスクの分解、ファイル管理、ツール実行を個別に実装するのではなく、Deep Agentsはこれらの機能を高レベルな抽象化としてパッケージ化しています。

その内部構造において、Deep Agentsは LangGraphを基盤として構築。LangGraphのステートフルな実行エンジンを活用しつつ、エージェントの計画と実行に関する独自のパターンを追加しています。これにより、開発者はすべてのコンポーネントをゼロから構築することなく、LangGraphの堅牢性とワークフロー管理のメリットを享受できます。

Deep Agentsは、以下のようなタスクを必要とするエージェント向けに設計されています。

• 大きな目標を小さなサブタスクに分割する
• 複数のステップにわたってツールを使用する
• 実行全体を通じてコンテキストを維持する
• ファイルや生成された成果物を扱う
• 長時間実行されるワークフローを完了させる

Deep AgentsはLangChainやLangGraphを置き換えるものではなく、それらの上に構築されています。 LangChain はモデルやツールとの統合を提供し、 LangGraph は実行と状態を管理し、そして Deep Agents は一般的なエージェントワークフローのための高レベルなインターフェースを提供します。

LangChain Deep Agentsの主な機能

LangChain Deep Agentsには、本番環境に対応したAIエージェントの構築を簡素化するいくつかの機能が含まれています。

• タスク計画： 複雑なリクエストを、管理しやすい小さなタスクに自動的に分割します。
• マルチステップ実行： 推論とツール使用の複数のステップを経てタスクを実行します。
• ツール統合： LangChain互換のツールやモデルプロバイダーと連携します。
• ワークスペースサポート： エージェントが実行中に読み取り、編集、参照できるファイルの作成と管理を行います。
• ステートフルな実行： LangGraphの永続的な実行機能と状態管理を引き継ぎます。
• ヒューマン・イン・ザ・ループ： LangGraphの割り込み機能を通じて、一時停止や承認をサポートします。
• オープンソース： LangChainエコシステム内のオープンソースライブラリとして利用可能です。

これらの機能により、Deep Agentsはコーディングアシスタント、リサーチエージェント、ドキュメント生成など、単一のLLM呼び出し以上の処理を必要とするワークフローにおいて特に有用です。

LangChain Deep Agentsの仕組み

Deep Agentsは構造化されたワークフローに従うことで、単一のプロンプト応答よりも確実に複雑なタスクを処理します。

一般的な実行プロセスは以下の通りです。

1. 目標の受け取り： ユーザーがレポート作成やデータ分析といった高レベルの目的を提示します。
2. 作業の計画： エージェントが目的を、管理可能な小さなサブタスクに分割します。
3. タスクの実行： LLMとツールを呼び出し、各サブタスクを完了させます。
4. 状態の維持： LangGraphを使用して、ワークフロー全体で進捗状況とコンテキストが保持されます。
5. 最終結果の生成： すべてのサブタスクが完了すると、エージェントは出力を統合して最終的な回答を作成します。

この計画と実行のアプローチにより、単一のLLM呼び出しでは完了が困難なワークフローにもエージェントが対応できるようになります。

LangChain Deep AgentsとLangGraphの比較

両者は密接に関連していますが、 Deep Agents と LangGraph は、それぞれ異なる問題を解決します。

LangGraphは、 汎用的なオーケストレーションフレームワーク であり、開発者がエージェントのワークフローを完全に制御できるようにします。一方、Deep AgentsはLangGraphを基盤として構築されており、一般的なエージェントパターンに対して、より高レベルで推奨される実装を提供します。

エージェントのアーキテクチャを完全に柔軟に設計したい場合は、LangGraphが適しています。一般的なオーケストレーションパターンを自分で実装することなく高度なエージェントを構築したい場合は、Deep Agentsを利用することで、より迅速に開発を開始できます。

制限事項：デモと本番環境の現実との乖離

LangChain Deep Agentsを使用すると、長時間稼働するAIエージェントの構築が大幅に容易になりますが、これは完全な本番環境向けプラットフォームではありません。エンタープライズ環境への導入を検討しているチームは、いくつかのトレードオフを認識しておく必要があります。

単一のエージェントではなく、多数のエージェントにわたる認証情報の管理。 モデルへのアクセスは create_deep_agent() は単一の文字列であり、プロバイダーを問わずモデルに依存しませんが、RBAC（ロールベースのアクセス制御）やチームごとの予算設定機能はありません。また、「財務チームのエージェントのみがこのモデルを呼び出せるようにする」や「このエージェントの月間利用料を500ドルに制限する」といった一元的な管理も不可能です。MCPツールの認証情報は、自身の環境に組み込む方法に依存します。OAuthを一元管理し、トークンをローテーションし、必要なすべてのエージェントに対してユーザーごとのアクセス権を委任するゲートウェイのような仕組みは存在しません。異なるチームが構築した多数のエージェントを運用する場合、こうしたガバナンス層を自前で構築するか、あるいはそれなしで運用するかの二択を迫られることになります。

ファイルシステムの権限設定にとどまらない、チーム横断的なアクセス制御。 Deep Agentsの権限モデルは、エージェントが読み書きできるパスに対する宣言的な許可・拒否ルールという点では非常によく設計されています。しかし、これはどのチームがどのモデル、MCPサーバー、あるいはスキルを使用できるかを管理する制御とは別物です。複数のグループにまたがるエージェントをサポートするプラットフォームチームには、単なるパスベースのファイルアクセス制御ではなく、IDとチームに基づいたアクセス制御が必要です。

トレース単位ではなく、エージェント単位でのコスト可視化。 プロンプトキャッシングは適切に処理されますが（AnthropicおよびBedrockモデルでは自動）、LangSmithによるトレースは個々の実行を検査することに主眼が置かれており、20個のエージェントが1日あたり、チームあたり、モデルあたりでどれだけのコストをかけているかという、フリート全体を俯瞰するFinOps的な視点には対応していません。予算超過が現実的なリスクとなる規模でエージェントを運用する場合、「トレースの表示」と「エージェント別・チーム別のダッシュボード」は、全く別のツールとして扱う必要があります。

セルフホストまたは単一のマネージドクラウドに限定されたデプロイオプション。 Deep Agentsは、完全に自前で運用するか、月額35ドルからのLangGraph Platformホスティングを利用するかのいずれかです。現時点ではオンプレミスやエアギャップ環境での選択肢がなく、規制の厳しい業界や厳格なデータ所在地要件が求められる場合には大きな課題となります。

本番環境に向けたより良い代替案：TrueForge Agent Harness

LangChain Deep Agentsは、計画立案、サブエージェント、ファイルシステムツール、スキル、メモリ、長時間実行など、個々のエージェント内部の複雑なタスクの多くを解決します。しかし、複数のチームでエージェントを運用するようになると、課題はエージェントの構築から、 フリートの運用へと移行します。

TrueForge は、TrueFoundryが提供するオープンソースかつベンダー中立なエージェントハーネスであり、ランタイム層を担います。計画立案、ツール呼び出し、コンテキスト管理、承認、セッション状態など、モデルを囲むエージェントループを実行しつつ、独自のモデル、MCPサーバー、サンドボックスプロバイダーを自由に組み込むことが可能です。

ローカル環境では npx @truefoundry/trueforgeで実行でき、チーム向けにはDocker ComposeやHelmを使用して同じハーネスをデプロイできます。 TrueForgeのドキュメントをご覧ください。

エージェントランタイムの最適化

TrueForgeでは、モデルに渡すコンテキストやツールデータの量を制御するための仕組みも複数用意されています。

ツールの遅延読み込み は、MCPツールスキーマを必要な時にのみ読み込むことで、コンテキストウィンドウを事前に占有しないようにします。「コードモード」では、エージェントがサンドボックススクリプト内で複数のツール呼び出しを連結できるため、中間結果をすべて含めるのではなく、出力された要約のみをコンテキストに渡すことが可能です。 サイズが大きすぎるツール応答は サンドボックスファイルにオフロードされ、パスとプレビューに置き換えられます。コンパクション（圧縮）はモデルのコンテキスト長が80%に達した時点で実行され、古い履歴を構造化された要約に置き換えます。これはリプレイに対する直接的な回答となります。サブエージェントはそれぞれ独立したクリーンなコンテキストで実行され、結果のみを返します。

サンドボックスモデルも重要な要素です。多くのハーネスはセッション全体をコンテナでラップしますが、TrueForgeはサンドボックスをツールとして扱い、エージェントが実際にコードを実行する必要がある時のみ起動します。これにより、1つのサーバーで多数のエージェントを同時に実行 でき、コードに触れないターンは低コストで維持されます。

単なるPythonライブラリを超えて

TrueForgeは、単なるライブラリインターフェースではなく、ランタイムとして構成されています。

その コアサーバー は、エージェントループを実行し、ストリーミング、承認ゲート、サブエージェントの委任、コンパクション、永続セッションを提供します。また、 HTTP APIおよびTypeScript SDK （@truefoundry/trueforge-sdk）は、同じ機能をプログラムから利用できるようにします。さらに、独立した チャットUIおよびUI SDK （@truefoundry/trueforge-ui）は、そのまま使用したり、テーマを適用したり、他の製品に組み込んだりすることが可能です。

これにより、チームはPythonのエージェント定義そのものだけでなく、デプロイメントの基盤を得ることができます。つまり、同一のランタイムでアプリケーション、API、あるいは組み込み型のエージェント体験を構築できるのです。

モデル、MCPサーバー、サンドボックスプロバイダーはすべて「持ち込み（BYO）」形式です。より安価なモデルが登場した際は、エージェントを書き直すのではなく、そのモデルを指定するだけで対応できます。実際、GLM-5.2で同じベンチマークを実行した際、1回あたり2.90ドルで14タスク中約11タスクを解決できたのはこの仕組みのおかげです。

Deep AgentsとTrueForgeのベンチマーク比較

エージェントフレームワークとエージェントランタイムの違いは、同じワークロードで比較するとより明確になります。TrueFoundryは以下をベンチマークしました。 TrueForgeとDeep Agents DevRevのEnterprise-Bench（14のシステム横断型エンタープライズタスクで構成）を用いて比較しました。各タスクでは、エージェントが計画を立て、CRM、プロジェクト管理ツール、ドキュメントストアにまたがるMCPツールを呼び出し、結果を統合して評価基準を満たす回答を返す必要があります。両方のハーネスで同じタスクを同じMCPサーバーを使用して実行し、回答はブラインドテスト形式でLLMジャッジによってスコアリングされました。

以下は Opus 4.8を固定した場合の結果です。両ハーネスでタスクの精度は同等でしたが、実行コストには違いが見られました。

ベンチマークの結果、タスク精度にはわずかな差しかありませんでしたが、実行コストには大きな開きがありました。TrueForgeは Deep Agentsが使用したトークン数の4分の1未満 で実行でき、コストは概ね 1回あたり2.5倍安価 という結果になりました（同一モデル使用時）。

The Runtime Layer for Production AI Agents

Run production agents with an open-source runtime for your models, MCP tools, sandboxing, approvals, and observability.

Explore TrueForge

View on GitHub

この差は主に、両ランタイムがオーケストレーションとコンテキストをどのように処理するかに起因します。Deep Agentsは計画立案、仮想ファイルシステム、サブエージェントといった機能を提供しますが、これらは各ターンにおいてオーケストレーションやコンテキストのオーバーヘッドを増加させる可能性があります。一方、TrueForgeはより軽量なアプローチを採用しており、ターゲットを絞ったツール呼び出しとコンテキストの圧縮を行うことで、膨大な履歴やツール応答を繰り返しモデルに送信することを回避しています。これが重要な理由は、 エージェントのコストはモデルの価格だけで決まるわけではないからです。同じモデルを実行するエージェントシステムであっても、計画立案、ツール利用、コンテキスト管理、サブエージェントの実装方法によって、トークン消費量は大きく異なります。

エージェントランタイムとプラットフォーム層の接続

TrueForgeは、TrueFoundryのAI GatewayおよびMCP Gatewayと接続することも可能です。これにより、エージェントが単なる孤立したプロジェクトではなくなった際に重要となる制御機能を提供できます。具体的には、 モデルアクセスの集中管理、MCP認証情報、RBAC（ロールベースアクセス制御）、予算管理、ガードレール、認証情報のローテーション、統合トレースなどが含まれます。これにより、これらの懸念事項を個々のエージェント定義から切り離し、共有プラットフォーム層へと集約できます。

Deep Agentsを本番環境で評価するチームにとって、このベンチマークは、フレームワークがスタックの一部に過ぎないことを再認識させてくれる有益な指標となります。 エージェントを取り巻くランタイムアーキテクチャは、トークン使用量、レイテンシ、コストに大きな影響を与える可能性があります。TrueForgeは、モデルやインフラの選択肢を制限することなく、そのランタイム層を提供するように設計されています。

結論

Deep Agentsは、LangGraphをベースに、計画立案、サブエージェント、スキル、メモリ、ファイルシステムツールといった機能をパッケージ化することで、高度なエージェント構築を大幅に容易にします。個別のエージェントを構築する開発者にとって、この高レベルな抽象化は、実装作業の多くを削減できるでしょう。

しかし、本番環境での課題は異なります。エージェントが個別のプロジェクトの枠を超えると、チームは以下を管理する必要が出てきます。 モデル、ツール、認証情報、実行環境、承認プロセス、可観測性、そしてコスト これらは複数のワークロードにまたがって発生します。こうした懸念事項はエージェントのコアループの外側に位置しており、対応にはかなりの追加インフラが必要になる場合があります。

TrueForge は、この問題に対してランタイムファーストのアプローチをとっています。オープンソースでモデルに依存しないエージェントハーネスを提供し、エージェントのループ機能と、それを運用するために必要な周辺のプロダクション機能を備えています。同時に、チームがモデル、MCPサーバー、デプロイ環境を自由に選択できる柔軟性も維持しています。

最終的な選択は、プロダクションスタックのどの部分を自前で管理したいかによって決まります。 Deep Agentsは、高度なエージェントを構築し、そのロジックを自らカスタマイズしたい場合に強力な選択肢となります。一方、TrueForgeは、エージェントの構築から、大規模かつ信頼性の高い運用へと移行したいチームのために設計されています。

FAQ

LangChain Deep Agentsはオープンソースですか？

はい。LangChain Deep Agentsは MITライセンスの下で公開されており、オープンソースです。フレームワーク自体は無料で使用できますが、LangSmithを通じたマネージドデプロイメントは商用サービスとなります。

LangChain Deep Agentsはエンタープライズ環境でのデプロイに適していますか？

Deep Agentsは堅牢なオープンソースのエージェントハーネスを提供していますが、組織によっては、一元化された認証管理、モデルガバナンス、コスト管理、プラットフォーム全体の可観測性といった追加機能が必要になる場合があります。これらの懸念事項はDeep Agentsのコアスコープ外であり、通常はエンタープライズ向けAIプラットフォームによって対処されます。

LangChain Deep Agentsが本番利用において不足しているものは何ですか？

‍Deep Agentsは、ファイルシステムツール、サブエージェント、プランニング、スキル、メモリといった個々のエージェントループの処理には優れています。しかし、複数のチームがその上でエージェントを構築するようになると必要不可欠となる、多数のエージェントにわたる一元的な認証情報ガバナンス、チーム単位のアクセス制御、フリート全体のコスト追跡といった機能は備わっていません。

LangChain Deep Agentsの優れた代替手段は何ですか？

オープンソースフレームワークを使用してエージェントワークフローを構築することが主な目的であれば、Deep Agentsは素晴らしい選択肢です。しかし、エンタープライズレベルのガバナンス、一元的な認証情報管理、モデルレベルのRBAC（ロールベースアクセス制御）、可観測性、そしてSaaS、セルフホスト、VPC、オンプレミス環境にわたる柔軟なデプロイメントが必要な場合は、 TrueFoundry Agent Harness が、より包括的な本番環境向けプラットフォームを提供します。

TrueFoundryは既存の可観測性スタックと統合できますか？

‍はい。当プラットフォームはOpenTelemetryに準拠しており、Grafana、Datadog、Prometheus、またはお客様の既存のスタックに接続可能です。プロンプトからツール、モデルの実行に至るまで、すべてのリクエストをトレースします。

関連資料

• LangChain Deep Agents vs Claude Managed Agents vs TrueFoundry Agent Harness：3つの機能比較の完全版
• エージェントハーネス（Agent Harness）とは何か？：これらのフレームワークの基盤となるインフラストラクチャ層について
• AIエージェントの可観測性：監視とデバッグ：本番環境で複数のエージェントを運用する際に追跡すべき項目
• Claude Managed Agentsの料金：2026年版完全内訳：フルマネージド型代替サービスのコスト比較