{"id":849,"date":"2026-03-16T07:47:10","date_gmt":"2026-03-16T05:47:10","guid":{"rendered":"https:\/\/vittrup-graversen.dk\/?p=849"},"modified":"2026-03-28T12:10:14","modified_gmt":"2026-03-28T10:10:14","slug":"langchain-deep-agents-open-source-svar-paa-claude-code-med-planlaegning-hukommelse-og-subagenter","status":"publish","type":"post","link":"https:\/\/vittrup-graversen.dk\/index.php\/2026\/03\/16\/langchain-deep-agents-open-source-svar-paa-claude-code-med-planlaegning-hukommelse-og-subagenter\/","title":{"rendered":"LangChain Deep Agents: Open source-svar p\u00e5 Claude Code \u2014 med planl\u00e6gning, hukommelse og subagenter"},"content":{"rendered":"\n

LangChain har netop udgivet Deep Agents<\/strong> \u2014 et open source-framework der eksplicit er inspireret af Claude Code, men som g\u00f8r konceptet modelagnostisk og fuldt \u00e5bent. Projektet blev annonceret den 15. marts 2026 og er allerede tilg\u00e6ngeligt via PyPI under MIT-licens. For udviklere der arbejder med AI-agenter til komplekse, flertrinskodningsopgaver, er det v\u00e6rd at forst\u00e5 hvad Deep Agents faktisk tilbyder \u2014 og hvor det adskiller sig fra de propriet\u00e6re alternativer.<\/p>\n\n\n\n

Hvad er Deep Agents?<\/h2>\n\n\n\n

Deep Agents er det LangChain selv kalder en agent harness<\/em>: en samling af forudkonfigurerede v\u00e6rkt\u00f8jer og m\u00f8nstre bygget oven p\u00e5 LangGraph<\/a>-runtimen. I mods\u00e6tning til et simpelt tool-calling loop \u2014 hvor en LLM kalder \u00e9t v\u00e6rkt\u00f8j ad gangen og returnerer \u2014 er Deep Agents designet til opgaver der str\u00e6kker sig over mange trin, producerer artefakter undervejs, og kr\u00e6ver at agenten holder styr p\u00e5 sin egen kontekst.<\/p>\n\n\n\n

LangChain-teamet skriver det direkte i GitHub-repositoriet: “This project was primarily inspired by Claude Code, and initially was largely an attempt to see what made Claude Code general purpose, and make it even more so.”<\/em> Det er en bem\u00e6rkelsesv\u00e6rdig \u00e6rlig tilgang \u2014 og en der signalerer at Claude Codes arkitektur<\/a> er ved at blive en de facto-standard for hvordan man bygger coding-agenter.<\/p>\n\n\n\n

Planl\u00e6gning, filsystem og subagenter \u2014 ud af boksen<\/h2>\n\n\n\n

Deep Agents kommer med tre kernefunktioner der normalt kr\u00e6ver custom-kode:<\/p>\n\n\n\n

Planl\u00e6gning via write_todos<\/code>:<\/strong> Agenten kan nedbryde komplekse opgaver i diskrete trin, tracke fremdrift og opdatere planen efterh\u00e5nden som ny information dukker op. Uden dette lag improviserer modellen typisk hvert trin fra den aktuelle prompt \u2014 hvilket fungerer for simple opgaver, men bryder sammen ved research-sessioner, refactoring eller flertrins-analyser.<\/p>\n\n\n\n

Filsystem-baseret kontekststyring:<\/strong> I stedet for at holde alt i prompt-vinduet kan agenten skrive noter, mellemprodukter og kodeudkast til filer \u2014 og hente dem igen senere. Det er en pragmatisk l\u00f8sning p\u00e5 et reelt problem: n\u00e5r kontekstvinduet fyldes op, falder kvaliteten. Deep Agents underst\u00f8tter flere backend-typer (StateBackend<\/code>, FilesystemBackend<\/code>, LocalShellBackend<\/code> m.fl.) afh\u00e6ngigt af deployment-scenariet.<\/p>\n\n\n\n

Subagenter med kontekstisolering:<\/strong> Via det indbyggede task<\/code>-v\u00e6rkt\u00f8j kan hovedagenten spawne specialiserede subagenter der arbejder i deres eget kontekstvindue. Det forhindrer det velkendte problem hvor \u00e9n tr\u00e5d akkumulerer for mange m\u00e5l, tool-outputs og midlertidige beslutninger \u2014 og modellens kvalitet styrtdykker. Hvis du har arbejdet med agenthukommelse og kontekststyring<\/a>, vil dette m\u00f8nster virke velkendt.<\/p>\n\n\n\n

Hvorfor det er relevant for udviklere<\/h2>\n\n\n\n

Det interessante ved Deep Agents er ikke de individuelle features \u2014 planl\u00e6gning, filh\u00e5ndtering og subagenter er ikke nye koncepter. Det interessante er at de nu er samlet i \u00e9t \u00e5bent framework med fornuftige defaults.<\/p>\n\n\n\n

Mange udviklere har oplevet frustrationen: Man s\u00e6tter en LLM-agent op til en kompleks opgave, og den fungerer fint i de f\u00f8rste 5-10 trin. Men derefter begynder den at “glemme” hvad den lavede, gentage sig selv, eller miste overblikket. Det er pr\u00e6cis det problem Deep Agents adresserer \u2014 ikke med en ny model, men med bedre scaffolding<\/em> omkring modellen.<\/p>\n\n\n\n

Som LangChain selv p\u00e5peger, viser SWE-Bench Pro-benchmarks at der er over 22 point forskel mellem basic og optimeret scaffolding med samme model. Claude Code scorer 80,9% p\u00e5 SWE-bench \u2014 ikke fordi Opus 4.6 er s\u00e5 meget bedre end andre modeller, men fordi harnessen<\/em> (tool-brug, retry-logik, kontekststyring) er multiplikatoren. Deep Agents fors\u00f8ger at demokratisere den indsigt.<\/p>\n\n\n\n

I praksis betyder det at du kan installere Deep Agents med pip install deepagents<\/code>, pege den mod en vilk\u00e5rlig LLM med tool-calling support (GPT-4o, Claude, Gemini, open source-modeller), og f\u00e5 en agent der kan planl\u00e6gge, l\u00e6se\/skrive filer, k\u00f8re shell-kommandoer og delegere til subagenter \u2014 alt sammen p\u00e5 under 10 linjer Python:<\/p>\n\n\n\n

from deepagents import create_deep_agent\n\nagent = create_deep_agent(\n    tools=[min_custom_tool],\n    system_prompt=\"Du er en research-assistent.\",\n)\nresult = agent.invoke(\n    {\"messages\": [{\"role\": \"user\", \"content\": \"Analys\u00e9r dette repository\"}]}\n)<\/code><\/pre>\n\n\n\n
Open source, men med forbehold<\/h2>\n\n\n\n
Deep Agents er MIT-licenseret og fuldt \u00e5bent \u2014 det er en klar fordel for teams der ikke vil l\u00e5se sig til \u00e9n leverand\u00f8r. Men det er v\u00e6rd at bem\u00e6rke at projektet stadig er nyt. Dokumentationen er grundig men fokuseret p\u00e5 happy-path-scenarier, og community-feedback er begr\u00e6nset.<\/p>\n\n\n\n
Det er ogs\u00e5 v\u00e6rd at p\u00e5pege at Deep Agents f\u00f8lger en “trust the LLM”<\/em>-model: agenten kan g\u00f8re alt hvad dens v\u00e6rkt\u00f8jer tillader, inklusiv shell-adgang. Sikkerhedsm\u00e6ssigt kr\u00e6ver det sandboxing og gennemt\u00e6nkt deployment \u2014 pr\u00e6cis ligesom Claude Code og Codex, der begge k\u00f8rer med lignende tillidsmodeller.<\/p>\n\n\n\n
Den mest interessante implikation er m\u00e5ske kulturel: N\u00e5r LangChain \u2014 et af de mest brugte frameworks i AI-\u00f8kosystemet \u2014 eksplicit bygger videre p\u00e5 Claude Codes arkitektur, cementerer det en bestemt tilgang til AI-agenter. Planl\u00e6gning, filbaseret hukommelse og subagenter er ikke l\u00e6ngere eksperimentelle features; de er baseline. For udviklere der endnu ikke har taget springet fra simple chatbot-loops til strukturerede agentworkflows, er Deep Agents et godt sted at starte.<\/p>\n\n\n\n
Kilder<\/h2>\n\n\n\n