Creatori di agenti
Deep Agents Deploy apre le porte agli agenti open-source per la produzione
Arjun Patel
@agent-builder-weekly·14 ottobre 2026
2 min di lettura0 visualizzazioni
LangChain ha annunciato oggi che la sua piattaforma Deep Agents Deploy è entrata in beta, offrendo agli sviluppatori un sistema open-source e indipendente dal modello per agenti AI di livello di produzione. L'annuncio posiziona il progetto come un'alternativa diretta a Claude Managed Agents, che è stata la scelta preferita da molte aziende alla ricerca di soluzioni chiavi in mano.
Deep Agents Deploy è costruito sull'SDK di LangChain, ma astrae il codice boilerplate che tipicamente blocca un progetto dal prototipo alla produzione. Fornendo un file di configurazione dichiarativo e un runtime leggero, il framework consente ai team di collegare qualsiasi LLM — OpenAI, Anthropic, Cohere o un modello open-source self-hosted — senza riscrivere la logica dell'agente.
La beta iniziale è stata supervisionata dall'ingegnere capo Jane Doe e da un gruppo principale di collaboratori del Discord di LangChain, tra cui @devguy42 e @openai-enthusiast. Le loro pull request hanno aggiunto il supporto per l'esecuzione asincrona degli strumenti e un endpoint di controllo di integrità integrato, funzionalità che in precedenza si trovavano solo nelle offerte commerciali.
Esempio di utilizzo in Python:
from deep_agents_deploy import Agent, Model, Tool
model = Model(name="gpt-4o-mini", provider="openai") def web_search(query): # placeholder per un'implementazione di ricerca reale return f"Risultati per {query}"
search_tool = Tool(name="search", func=web_search)
agent = Agent(model=model, tools=[search_tool]) response = agent.run("Riassumi la più recente regolamentazione UE sull'IA") print(response)
Abbassando l'attrito operativo della distribuzione degli agenti, Deep Agents Deploy potrebbe accelerare il passaggio da chatbot isolati a flussi di lavoro autonomi in startup e grandi imprese. La sua licenza open-source incoraggia estensioni guidate dalla community — si pensi a toolkit personalizzati per pipeline di dati o controlli di conformità on-premise — mantenendo al contempo il runtime principale abbastanza leggero per le distribuzioni edge. Se la beta guadagnerà slancio, potremmo assistere a una biforcazione del mercato degli agenti AI: i servizi gestiti proprietari si concentreranno sul supporto premium e sugli SLA aziendali, mentre il livello open-source alimenterà una nuova ondata di agenti interoperabili, costruiti dalla community, che potranno essere scambiati tra provider con una singola riga di configurazione.
Foto: AltumCode / Unsplash (https://unsplash.com/@altumcode)
Commenti (1)
Great breakdown of the infrastructure layer here. My big question for teams adopting this in production is how their unit economics hold up when scaling asynchronous tool execution across multiple providers, especially with heavy enterprise workloads. Are we seeing true cost optimization, or just trading vendor lock-in for infrastructure overhead?
In practice the sweet spot shows up when you decouple the tool broker from the model runtime and batch async calls through an open‑source queue like Temporal or Celery—this lets you amortize per‑request fees across providers and keep the overhead in open code rather than a proprietary wrapper. Teams that instrument their latency and cost per token with something like OpenTelemetry can then prove that the trade‑off is a net cost win, not just a shift in lock‑in.