Son iki yılda yapay zeka dünyasında en çok konuşulan konulardan biri “ajan” (agent) mimarileri oldu. Claude Code, Deep Research, Manus gibi uygulamalar, büyük dil modellerinin (Large Language Models – LLM) artık sadece soru cevaplayan değil, planlayan, araştıran, kod yazan, dosya oluşturan, hatta kendi içinde başka alt ajanları çalıştırabilen sistemler haline geldiğini bize gösterdi [1][2]. İşte bu gelişmelerin yanında LangChain ekibinin çıkardığı DeepAgents kütüphanesi, bu tür karmaşık ajanları herkesin kolayca kurabilmesi için tasarlanmış bir çerçeve (framework) sunuyor [3]. Bu yazıda DeepAgent’ın ne olduğunu, klasik agent mimarisinden neden farklı olduğunu ve LangChain ile LangGraph arasındaki ilişkiyi detaylıca inceleyeceğiz. Yol boyunca hem kavramsal çerçeveyi oturtacağız hem de küçük kod örnekleriyle konuyu somutlaştıracağız.

Küçük bir not: Bu yazıda LangChain ekibinin açık kaynak olarak yayımladığı deepagents Python kütüphanesini inceleyeceğiz. Piyasada bir de Abacus.AI şirketinin aynı isimle pazarladığı ticari bir süper asistan ürünü (son zamanlarda “Abacus AI Agent” adıyla yeniden markalaşmış) bulunuyor; bu iki ürünün aynı “deep agent” mimari felsefesini paylaşması dışında birbirleriyle resmi bir bağı yok. Yazı boyunca “DeepAgents” dediğimizde LangChain’in kütüphanesinden bahsediyor olacağız.

Bu konuyu uygulamalı olarak öğrenmek isterseniz VBO AI&LLM Bootcamp‘i öneririm.

Önce Şunu Netleştirelim: “Normal” Agent Nedir?

DeepAgent’ı anlamak için önce klasik ajan (agent) mimarisini hatırlamamız gerekiyor. Bugün yaygın olarak kullanılan en basit ajan şeması, bir LLM’in bir döngü içinde araç (tool) çağırmasından ibarettir. Model bir düşünce üretir, bir araç seçer, o aracın çıktısını okur, yeni bir düşünce üretir ve bu böyle devam eder. Bu desenin akademik adı ReAct (Reasoning + Acting) döngüsüdür; yani “düşünme ve hareket etme” döngüsü [4][5].

ReAct döngüsü hafiftir, kurması kolaydır ve kısa görevlerde çok iyi sonuç verir. Fakat işler karmaşıklaştıkça sınırları hızla ortaya çıkar. LangChain ekibi bu tür ajanlara “sığ ajanlar” (shallow agents) diyor; çünkü uzun zaman aralıklarında plan yapmakta ve çok adımlı karmaşık görevleri tamamlamakta zorlanıyorlar [1][5]. Philipp Schmid’in güzel bir tespiti var: sığ ajanlar 5-15 adımlık görevlerde harikadır ama 500 adımlık görevlerde felaket olur [6].

Peki neden? Çünkü klasik ReAct mimarisinde ajanın tüm “beyni” bağlam penceresinin (context window) içindedir. Göreve başlarken verilen talimatlar, her araç çağrısının çıktısı, model cevapları, tekrar talimatlar… Hepsi aynı pencerede birikir. Karmaşık bir iş yaptığımızda şunlar olur [6][7]:

• Bağlam taşması (context overflow): Araç çıktıları (HTML parçaları, uzun metinler, tablo verileri) pencereyi doldurur. Orijinal talimatlar pencereden düşmeye başlar.
• Hedefin kaybolması: Ara adımların gürültüsü arasında ajan, başlangıçta kendisine verilen asıl amacı unutabilir.
• Toparlanma mekanizmasının yokluğu: Ajan yanlış bir patikaya girerse genellikle durup geri adım atıp yeni bir yol deneme öngörüsüne sahip değildir.

Bu yüzden “X şirketi için 10 rakibini araştır, fiyatlandırmalarını analiz et, bir karşılaştırma tablosu hazırla ve stratejik özet yaz” gibi talepler klasik ReAct ajanlarını çökertir [6]. Bu noktada DeepAgents mimarisi devreye giriyor.

DeepAgent Nedir?

LangChain’in resmi dokümanına göre DeepAgents, planlama, alt ajan (subagent) oluşturma, dosya sistemleriyle bağlam yönetimi ve uzun vadeli hafıza gibi yetenekleri hazır olarak sunan bir kütüphanedir [3]. LangChain ekibi bu yapıya “ajan koşum takımı” (agent harness) diyor. İlk duyduğumuzda bu terim biraz garip gelebilir ama aslında çok açıklayıcı: temel araç çağırma döngüsü aynıdır, ancak üstüne hazır hazır gelen yetenekler ve araçlar eklenmiştir [3][8].

deepagents paketi PyPI üzerinden dağıtılıyor, pip install deepagents ile kuruluyor ve LangChain’in temel yapı taşları üzerine inşa edilmiş durumda. Altta ise dayanıklı çalıştırma (durable execution), akış (streaming), insanın sürece müdahalesi (human-in-the-loop) gibi özellikler için LangGraph çalışma zamanını (runtime) kullanıyor [3][9].

LangChain’in kurucusu Harrison Chase’in blog yazısında anlattığı gibi, Claude Code, Deep Research ve Manus gibi başarılı uygulamaları yakından incelediklerinde dört ortak bileşen fark etmişler [1]:

1. Bir planlama aracı (planning tool)
2. Alt ajanlar (sub agents)
3. Dosya sistemine erişim (file system access)
4. Detaylı bir sistem promptu (detailed system prompt)

DeepAgents kütüphanesi de tam olarak bu dört sütunu, herhangi bir alanda kullanılabilecek şekilde genelleştirerek sunuyor [1][10]. İsmi de buradan geliyor; ajan artık konularda “derine iniyor”, yüzeysel bir döngüde kalmıyor.

Temel Bileşen 1: Planlama Aracı

DeepAgents içindeki en ilginç mekanizmalardan biri write_todos aracıdır. İlginç olmasının sebebi şu: bu araç aslında dış dünyada hiçbir şey yapmaz. Ne dosya oluşturur, ne API çağırır, ne bir şey gönderir. Tam anlamıyla bir “no-op” yani işlem yapmayan bir araçtır [1][11].

Peki o zaman niye var? Çünkü bu aracın tek işi, modeli kendi planını dışa vurmaya zorlamak. Model görevi küçük adımlara böler, bir “yapılacaklar listesi” (todo list) yazar ve bu liste konuşma geçmişinin içine yazıldığı için bağlam penceresinde kalıcı bir referans noktası olur. Böylece ajan ilerledikçe “şu an hangi adımdayım, sırada ne var” diye bakabilir [11]. Harrison Chase’in ifadesiyle bu, saf bir bağlam mühendisliği (context engineering) numarasıdır ve ajanı uzun görevlerde raydan çıkmaktan korur [1].

ReAct döngüsü model için “tak-tak, her seferinde bir adım” düşünme eğilimi yaratır; bu da stratejik planlamanın değil taktiksel kararların ön plana çıkması demek [11]. Planlama aracı, bu eğilimi kırıp modeli baştan bir yol haritası çizmeye zorluyor.

Temel Bileşen 2: Alt Ajanlar

DeepAgents’ın bir diğer güçlü mekanizması alt ajanlar (subagents) desenidir. Ana ajan (orchestrator) karmaşık bir görevi, her biri kendi içinde yine bir ReAct döngüsü çalıştıran özelleşmiş alt ajanlara dağıtabilir [12]. Örneğin bir araştırma senaryosunda:

• Ana ajan genel planı kurar.
• Bir “araştırmacı” alt ajanı web aramalarını yapar.
• Bir “yazıcı” alt ajanı sonuçları düzenli bir rapora dönüştürür.
• Ana ajan, alt ajandan sadece özeti alır; ara çıktıların tamamıyla uğraşmaz [7][12].

Bunun en kritik faydası “bağlam yalıtımı” (context isolation) sağlaması. Alt ajan kendi bağlam penceresinde araştırmayı yapar, web sayfalarından gelen binlerce satırı kendi içinde sindirir ve ana ajana sadece sonucu döndürür. Böylece ana ajanın bağlamı temiz kalır, hedefe odaklanabilir ve çok daha uzun süreler boyunca tutarlı çalışabilir [5][6].

Temel Bileşen 3: Sanal Dosya Sistemi

DeepAgents ajanlara ls, read_file, write_file, edit_file gibi dosya sistemi araçlarını hazır olarak veriyor [10]. Bu dosyalar varsayılanda bellekte tutulur, ama farklı arka uçlara (backend) kolayca takılabilir: yerel disk, LangGraph mağazası, izole çalışma ortamları (sandbox) veya kendi yazdığınız özel bir arka uç [10].

Burada mantık basit ama güçlü: ajanın hafızasını bağlam penceresinden dışarı çıkarmak. Uzun bir araç çıktısı geldiğinde ajan bunu dosyaya yazabilir, sonra ihtiyacı olduğunda belirli bir parçayı okuyabilir. Bu sayede bağlam penceresi taşmaz [13]. Phil Schmid’in deyimiyle paradigma “her şeyi hatırlamak”tan “bilginin nerede bulunduğunu bilmek”e kayar [6].

Ayrıca dosya sistemi, çok ajanlı iş akışlarında ortak bir çalışma alanı işlevi görür: bir alt ajanın yazdığı taslağı diğeri okuyabilir, ana ajan nihai dosyayı oluşturabilir [1][12].

Temel Bileşen 4: Detaylı Sistem Promptu

“İyi prompt yazmak bitti, artık model her şeyi halleder” diyenler için kötü haber: en iyi ajanların hepsinin çok uzun ve özenle yazılmış sistem promptları (system prompts) var [1]. Claude Code’un yeniden inşa edilmiş promptu sayfalarca; araçların nasıl kullanılacağını, belirli durumlarda nasıl davranılacağını açıklayan çok sayıda örnek (few-shot examples) içeriyor [1][14].

DeepAgents varsayılanda Claude Code’un promptundan esinlenmiş ancak daha genel bir prompt kullanıyor. Geliştirici bunun üzerine kendi özel talimatlarını ekleyerek ajanı kendi alanına özelleştirebiliyor [10][15].

Normal Agent ile DeepAgent Arasındaki Fark

Şimdi başlıkta vaat ettiğimiz karşılaştırmayı netleştirelim. Klasik bir ReAct ajanı ile DeepAgent’ı yan yana koyduğumuzda şu farkları göreceğiz [5][7][12]:

Planlama açısından: Normal ajan her adımda anlık karar verir, büyük bir plana sahip değildir. DeepAgent ise göreve write_todos ile başlar, yol haritası çizer ve ilerledikçe planı günceller [1][13].

Bağlam yönetimi açısından: Normal ajan her şeyi tek bir bağlam penceresinde taşımak zorundadır. DeepAgent, uzun araç çıktılarını dosyalara aktarabilir ve gerektiğinde okur; ayrıca konuşma uzadıkça eski mesajları otomatik özetleyen bir “özetleme” (summarization) mekanizması vardır [3][10].

Görev dağıtımı açısından: Normal ajanın tek bir beyni vardır; hem araştıran hem yazan hem analiz eden odur. DeepAgent, görevleri alt ajanlara devredebilir ve her biri kendi izole bağlamında çalışır [12][16].

Dayanıklılık açısından: Normal ajan bir hataya takılırsa çoğunlukla oradan çıkamaz. DeepAgent, LangGraph üzerinde çalıştığı için kontrol noktaları (checkpoints), yeniden deneme ve insan onayı (human-in-the-loop) gibi mekanizmaları doğal olarak kullanır [3][9].

Çıktı türü açısından: Normal ajan size metin döndürür. DeepAgent ise mesaj geçmişinin yanında oluşturduğu dosyaları da döndürür; yani sadece cevap değil, artefakt (artifact) üretir [13].

Medium’da yayımlanan bir teknik derinlemesine yazı bu farkı çok güzel özetliyor: “Bir araç çağır, sonuç al, cevap ver” diye tarif ettiğiniz bir ajan ihtiyacınız varsa düz create_agent yeterlidir. Ama “Araştırmayı planla, 3 veri kaynağını sorgula, sonuçları karşılaştır, rapor yaz” gibi bir şeyden bahsediyorsanız DeepAgent gerekiyor [16].

Küçük Bir Kod Örneği

Teori yeter, şimdi kodla görelim. LangChain’in dokümanlarındaki temel örnek şöyle [3]:

# pip install -qU deepagents langchain-anthropic
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """Bir şehir için hava durumu döndürür."""
    return f"{city} her zaman güneşli!"

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="Yardımcı bir asistansın",
)

agent.invoke(
    {"messages": [{"role": "user", "content": "San Francisco'da hava nasıl?"}]}
)

Gördüğünüz gibi API basit: bir model, bir araç listesi ve bir sistem promptu veriyorsunuz. Arka planda create_deep_agent fonksiyonu; planlama aracını, dosya sistemi araçlarını, alt ajan mekanizmasını, otomatik özetleme ara katmanını (middleware) ve LangGraph grafiğini (graph) hepsini sizin için kuruyor [10][16]. Dönen nesne, aslında derlenmiş bir LangGraph grafiği olduğu için onu streaming ile çalıştırabilir, LangSmith ile izleyebilir (trace), kontrol noktaları ekleyebilirsiniz [11].

Eğer aynı görevi klasik bir agent ile yapmak istesek langchain içinden create_agent (LangChain 1.0 öncesinde create_react_agent olarak biliniyordu) kullanmamız gerekirdi ve planlama, alt ajan, dosya sistemi gibi altyapıyı ya hiç kullanamaz ya da sıfırdan kendimiz kurardık [13][15].

Peki LangChain ve LangGraph Arasındaki Fark Nedir?

DeepAgents tartışmasının ortasında sürekli iki isim duyuyoruz: LangChain ve LangGraph. Çoğu zaman birbirinin yerine kullanılıyorlar ama aslında ekosistemde iki farklı rol oynuyorlar. Kısaca özetleyelim [17][18].

LangChain, büyük dil modelleriyle uygulama inşa ederken tekrar tekrar yazacağımız yapı taşlarını bize hazır veren bir çerçevedir. Harrison Chase ve ekibi 2022 Ekim’inde açık kaynak olarak yayımladı ve kısa sürede LLM uygulamalarının “standart” kütüphanesi haline geldi [19]. Temel felsefesi zincirleme işlemler (chaining operations) üzerine kuruludur. Bir adımda belge yüklenir, bir sonraki adımda özetlenir, ondan sonraki adımda bir soruya cevaplanır ve her adımın çıktısı bir sonrakine girdi olur [17][20].

LangChain bugün create_agent ve middleware (ara katman) soyutlamalarıyla ajan inşasını yüksek seviyede sadeleştiriyor [29]; model sağlayıcılarına, veri tabanlarına, vektör depolarına ve çeşitli araç setlerine hazır entegrasyonları da en güçlü yönlerinden biri [18][22].

LangChain’in mimari yapısı genellikle yönlü döngüsüz çizge (Directed Acyclic Graph – DAG) olarak tanımlanır. Yani adımlar sıralıdır, bir sonraki adıma geçildikten sonra geri dönüş yoktur [21][23]. Basit sohbet robotları, RAG (Retrieval-Augmented Generation) hatları, belge özetleme gibi doğrusal iş akışları için biçilmiş kaftandır [18].

LangGraph ise tam olarak bu doğrusallığın sınırlandırdığı durumlar için tasarlanmış. LangGraph, LangChain ekosisteminin içinde ama daha çok durumu olan (stateful) ve çok ajanlı karmaşık iş akışlarını modelleyebilmek için geliştirilen bir kütüphanedir [17][24].

Mimari olarak LangGraph, iş akışınızı döngüsel çizgeler (cyclical graphs) şeklinde tanımlamanıza izin verir. Düğümler (nodes) birer aksiyonu temsil eder; kenarlar (edges) ise düğümler arasındaki geçişleri. Bu kenarlar koşullu (conditional) olabilir; çalışma zamanında alınan kararlara göre farklı dallara gidebilir [18][21]. Buradaki en büyük fark; döngülere, geriye dönüşe, koşullu dallanmaya ve yeniden denemelere doğal destek vermesi [22][25].

Bir başka kritik fark ise durum yönetimi (state management). LangChain’in bellek (memory) bileşenleri basit çok-turlu sohbetler için yeterlidir. LangGraph ise merkezi bir durum sistemi sunar; bu sistem geri almayı (rollback), geri izlemeyi (backtracking) ve ayrıntılı bir geçmiş takibini destekler. Uzun ömürlü, üretim ortamına uygun ajanlar için bu özellikler kritiktir [22][26].

Harriet Chase’in ekibinden ve topluluktan gelen yazıların ortak önerisi şu: Fikri doğrulamak için LangChain ile başlayın, dallanma, hata yönetimi, çoklu ajan gerektiğinde LangGraph’a geçin [19][21]. Nitekim LangGraph’ın Eylül 2025’te yayımlanan 1.0 sürümü, bu alandaki ilk kararlı ana sürüm (stable major release) oldu ve artık ekibin “üretime hazır” dediği noktaya geldi [27].

Şöyle Özetleyelim

LangChain ve LangGraph’ın farklarını tek bir cümleyle anlamak istersek:

• LangChain, doğrusal ve modüler LLM iş akışları için. Hızlı prototip, basit sohbet robotu, RAG hattı gibi senaryolarda ideal [18][28].
• LangGraph, durum tutan, dallanan, döngü içeren ve çok ajanlı sistemler için. Dirençli (resilient), üretime hazır, karmaşık yapılar için biçilmiş kaftan [22][28].
• Aslında rakip değiller; çoğu gerçek projede birlikte kullanılıyorlar. LangChain size bileşenleri (belge yükleyicileri, vektör depoları, model arayüzleri) verir; LangGraph bunların üstüne durumsal düzenleme (orchestration) katmanı getirir [21][26].

DataCamp’ın pratik kuralı çok değerli: LangChain ile başla, iş akışı büyüdükçe LangGraph’a geç, gözlemlenebilirlik (observability) için LangSmith ekle [28].

DeepAgents Bu Tabloya Nereden Oturuyor?

Şimdi her şeyi bir araya bağlayalım. DeepAgents nerede duruyor bu ikisinin arasında?

LangChain’in resmi “ürünler kavram sayfasında” üç katmanlı bir zihin haritası var [3][15]:

• LangChain, agent inşa etmek için temel yapı taşlarını veren çerçeve.
• LangGraph, dayanıklı, durum tutan, akışlı (streaming) çalışmayı sağlayan çalıştırma zamanı (runtime).
• DeepAgents, bu ikisinin üstüne oturan ve “pili takılı gelen” (batteries-included) bir ajan koşum takımı.

Yani DeepAgents’ı kullandığımızda aslında hem LangChain’in bileşenlerinden hem LangGraph’ın orkestrasyon gücünden faydalanmış oluyoruz; ama üstüne planlama, dosya sistemi, alt ajan ve bağlam yönetimi hazır geliyor [10][16]. Colin McNamara’nın incelemesine göre çekirdek algoritma hâlâ create_agent (eski adıyla create_react_agent) sarmalayıcısını kullanıyor; yani ReAct döngüsü aynı kalıyor, ama etrafı tamamen değişiyor [15].

Peki hangisini ne zaman seçmeliyiz? Amol Kavitkar’ın çok güzel bir karar tablosu var [16]. Bazı anahtar durumları özetleyelim: Basit, birkaç araçlı bir sohbet robotu yazıyorsak düz create_agent daha az ek yüktür. Planlama gerektiren çok adımlı görev için DeepAgents uygundur; write_todos yapıyı getirir. 10’dan fazla araç çağrısı içeren uzun araştırmalar için DeepAgents’ın otomatik özetleme özelliği bağlam taşmasını engeller. Paralel iş akışları için alt ajanlar yalıtılmış bağlam sağlar. Grafiğin topolojisine tam kontrol istiyorsanız ise saf LangGraph tercih edilir; DeepAgents fikir belirtici (opinionated) davranır [16]. LangChain’in kendi önerisi de şu yönde: DeepAgents’ı karmaşık, deterministik olmayan, uzun süreli görevler için kullanın [2].

Pratik Bir Senaryoyla Netleştirelim

“Bir müşteri şikayet e-postasını analiz et, ilgili siparişi veri tabanından çek, müşteri geçmişini kontrol et, uygun bir cevap taslağı yaz, onaya sun” gibi bir iş akışı düşünelim.

• Sadece LangChain ile yapmak isterseniz; bir zincir kurarsınız. E-posta → sınıflandırıcı → sipariş sorgusu → cevap üreticisi. Ama eğer sınıflandırıcı belirsiz sonuç verirse geri dönüp başka bir kaynaktan daha bilgi toplamanın yolu pek yok; çünkü zincir tek yönlü [21][23].
• LangGraph ile yaparsanız; düğümleri ve koşullu kenarları tanımlarsınız. Sınıflandırma skorunu 0.7’den düşükse insan onayı düğümüne yönlendirebilir, gerekirse tekrar araştırma yapmaya geri dönebilirsiniz [28]. Durum tutulur, insan müdahalesi yapılabilir, başarısızlıkta yeniden denenir [26].
• DeepAgents ile yaparsanız; tek bir create_deep_agent çağrısıyla ajan kendi planını çıkarır (write_todos), farklı kaynakları paralel alt ajanlara delege eder, uzun çıktıları dosyalara yazar, sonunda taslak cevabı bir dosya olarak üretir. Sanki size küçük bir proje ekibi çalıştırmış gibi olursunuz [12][13].

Her üç yaklaşımın da yeri var. Aralarındaki seçim, görevinizin karmaşıklığına ve size ne kadar soyutlama (abstraction) lazım olduğuna bağlı.

Dikkat Edilmesi Gereken Noktalar

DeepAgents cazip gelse de her işe koşmadan önce birkaç şeyi not etmekte fayda var:

Opinionated bir yapıdır. “Bu böyle olmalı” tarzı kararları sizin yerinize alıyor. Bazen bu özgürleştirici, bazen sıkıcı olabilir. Grafiğin tüm topolojisine hâkim olmak istiyorsanız LangGraph üzerinde kendi çözümünüzü kurmak daha doğru olabilir [16].

Maliyet ve gecikme her zaman dikkat konusu. Alt ajan spawn etmek, özetleme yapmak, uzun sistem promptları tutmak token maliyetini artırır. Towards AI yazarının uyarısı yerinde: derin akıl yürütme ajanları alt-saniye yanıt süreleri beklediğiniz üretim sistemleri için fazla yavaş ve pahalı olabilir [5].

Özetleme kayıpları. Otomatik özetleme uzun oturumlarda bağlamı korumaya yardımcı olur ama kaçınılmaz olarak bazı ayrıntılar kaybolur. Kritik bilgilerin dosyalara yazıldığından emin olmak gerekir [6][10].

MCP entegrasyonu. DeepAgents, langchain-mcp-adapters üzerinden Model Context Protocol (MCP) sunucularını destekler; yani GitHub’daki notaya göre harici araç setlerini kolayca bağlayabilirsiniz [2].

Özet Olarak

Uzun hikâyeyi kısaltalım. LLM ajanları dünyasında üç katmanlı bir manzara var [3]:

1. LangChain, bileşenleri verir. Doğrusal iş akışlarında parlıyor.
2. LangGraph, durumu, döngüleri ve dallanmayı getirir. Karmaşık ve üretime hazır iş akışlarının omurgası.
3. DeepAgents, bu ikisinin üstüne planlama, alt ajan, dosya sistemi ve detaylı promptları getirip size “derin” bir ajan hazır veriyor.

“Normal agent” dediğimiz klasik ReAct mimarisi 5-15 adımlık işlerde harikadır. Ama 500 adımlık, birden çok veri kaynağıyla konuşan, plana ihtiyaç duyan ve uzun süreli bir projeye benzeyen görevler için DeepAgents’ın sunduğu altyapıya ciddi ihtiyacımız var [6][7]. Claude Code, Deep Research, Manus gibi uygulamaların ardındaki mimari felsefeyi kendi projemize taşımak istiyorsak, bu kütüphane bize kısa yoldan ulaştırıyor [1][14].

Bir sonraki projemizde ajanı sadece “istek-cevap” makinesi olarak değil, planlayabilen, dosyayla çalışabilen, işi bölüştürebilen dijital bir çalışma arkadaşı olarak tasarlamayı deneyelim. Göreceksiniz ki aradaki fark sadece teknik değil, tasarladığımız ürünün işlevselliği açısından da devrim niteliğinde olacak.

Kaynaklar

[1] Chase, H. “Deep Agents.” LangChain Blog. https://blog.langchain.com/deep-agents/

[2] “langchain-ai/deepagents.” GitHub Repository. https://github.com/langchain-ai/deepagents

[3] “Deep Agents overview.” Docs by LangChain. https://docs.langchain.com/oss/python/deepagents/overview

[4] “ReAct Was Just the Beginning — Meet Deep Agents, the Next Evolution of AI.” Medium. https://medium.com/@rahulsale.ai/react-was-just-the-beginning-meet-deep-agents-the-next-evolution-of-ai-c52c801f676a

[5] Panse, M. “Choosing AI Agent Architecture for Enterprise Systems: Shallow vs ReAct vs Deep.” Towards AI. https://towardsai.net/p/machine-learning/choosing-ai-agent-architecture-for-enterprise-systems-shallow-vs-react-vs-deep

[6] Schmid, P. “Agents 2.0: From Shallow Loops to Deep Agents.” https://www.philschmid.de/agents-2.0-deep-agents

[7] “What are deep agents and how do they solve complex problems?” Nutrient Blog. https://www.nutrient.io/blog/langchain-deep-agents-comprehensive-developers-guide/

[8] “LangChain Deep Agents: Build Agents for Complex, Multi-Step Tasks.” LangChain. https://www.langchain.com/deep-agents

[9] “deepagents.” PyPI. https://pypi.org/project/deepagents/

[10] “deepagents | LangChain Reference.” https://reference.langchain.com/python/deepagents

[11] Skowroński, A. “GitHub All-Stars #5: deepagents — Architecture of Deep Reasoning for Agentic AI.” Medium. https://medium.com/github-all-stars/github-all-stars-5-deepagents-architecture-of-deep-reasoning-for-agentic-ai-b77261a49bde

[12] Horstman, M. “Deep Agents in LangChain: Building the Next Generation of Autonomous AI Systems with LangGraph.” Medium. https://michielh.medium.com/deep-agents-in-langchain-building-the-next-generation-of-autonomous-ai-systems-with-langgraph-3787b67e1805

[13] Naik, K. “Building Deep Agents with LangChain: A Complete Hands-On Tutorial.” Krish Naik Academy. https://krishcnaik.substack.com/p/building-deep-agents-with-langchain

[14] “LangChain’s Deep Agents: A Guide With Demo Project.” DataCamp. https://www.datacamp.com/tutorial/deep-agents

[15] McNamara, C. “Deep Agents Part 1: Beyond ‘Shallow’ – Introducing Deep Agents.” https://colinmcnamara.com/blog/deep-agents-part-1-beyond-shallow

[16] Kavitkar, A. “Deep Agents SDK: The Batteries-Included Agent Harness from LangChain.” Medium. https://medium.com/@amolkavitkar/deep-agents-sdk-the-batteries-included-agent-harness-from-langchain-0dcb3a50cefd

[17] Tahir. “LangChain vs. LangGraph: A Comparative Analysis.” Medium. https://medium.com/@tahirbalarabe2/langchain-vs-langgraph-a-comparative-analysis-ce7749a80d9c

[18] “LangChain vs. LangGraph: A Developer’s Guide to Choosing Your AI Workflow.” DuploCloud. https://duplocloud.com/blog/langchain-vs-langgraph/

[19] Srinivasan, A. “LangChain & LangGraph for Dummies.” Substack. https://aishwaryasrinivasan.substack.com/p/langchain-and-langgraph-for-dummies

[20] “LangChain vs. LangGraph.” GeeksforGeeks. https://www.geeksforgeeks.org/artificial-intelligence/langchain-vs-langgraph/

[21] “LangChain vs LangGraph: A Developer’s Guide to Choosing Your AI Frameworks.” Milvus Blog. https://milvus.io/blog/langchain-vs-langgraph.md

[22] “LangChain vs. LangGraph: Comparing AI Agent Frameworks.” Oxylabs. https://oxylabs.io/blog/langgraph-vs-langchain

[23] “LangChain vs. LangGraph: Which AI Framework Is Right for You?” Curotec. https://www.curotec.com/insights/langchain-vs-langgraph-framework-comparison/

[24] “LangChain vs LangGraph: A Tale of Two Frameworks.” IBM Technology / YouTube. https://www.youtube.com/watch?v=qAF1NjEVHhY

[25] “langchain-ai/deepagentsjs.” GitHub Repository. https://github.com/langchain-ai/deepagentsjs

[26] Milvus Blog (state management section). https://milvus.io/blog/langchain-vs-langgraph.md

[27] Srinivasan, A. (LangGraph 1.0 milestone). Substack. https://aishwaryasrinivasan.substack.com/p/langchain-and-langgraph-for-dummies

[28] “LangChain vs LangGraph vs LangSmith vs LangFlow: Key Differences Explained.” DataCamp. https://www.datacamp.com/tutorial/langchain-vs-langgraph-vs-langsmith-vs-langflow

[29] “LangChain 1.0 — A second look.” Medium. https://medium.com/mitb-for-all/langchain-a-second-look-6ed720e27fec

[30] Kapak Resmi: Photo by Shawn Lee on Unsplash