DeepSeek Harness（dsh）是DeepSeek开源的Agent框架，核心架构理念是"一切皆插件"。与传统框架先有固定Core再挂载插件不同，dsh的Runtime本身由插件组合而成——包括Agent Loop、LLM适配器等核心组件均为可替换插件，通过Cordis框架与Bundle、Profile配置叠加，构建出高度可定制的Composable Agent Runtime。

Planning Agent 采用"先规划再执行"模式，通过 Planner 拆解任务、Executor 逐步执行，解决 ReAct"边想边做"在复杂任务中易跑偏、漏步骤的问题。核心优势是稳定性高、结构清晰，代价是 Token 成本更高、灵活性降低。适合多步骤长任务，不适合简单查询。LangGraph 因其状态管理和流程控制能力，特别适合构建 Planning Agent。

本文介绍 Planning Agent 的工具集成与执行监控，核心架构为 Planner 拆任务、Router 选工具、Executor 执行、Monitor 监控，基于 LangGraph 实现状态流转与失败重试，最终构成可观测、可恢复的 Agent Runtime。

regnexe-py 是一个面向生产落地的 Python Agent 框架，补齐 Demo 忽视的工程层：插件注册与分组、多会话记忆、执行事件流、任务取消控制、多模型统一路由。基于 LangChain/deepagents 运行时，10 篇实战教程带你从工具调用走到可维护的 Agent 应用。

本文介绍了动态规划Agent（Re-Planning Agent）的核心架构与实现。针对静态规划的缺陷，提出"边执行、边观察、边修正"的动态规划模式，结合LangGraph实现Planner（宏观任务拆解）与ReAct（微观动态决策）的混合架构。重点讲解了State设计、Planner/Executor节点、条件边路由、Re-Planning机制，以及生产环境中的死循环、任务爆炸、上下文污染等工程

本文通过一个"搜索助手"Agent项目，完整演示了LangGraph的核心组件：State状态管理、Node节点、Conditional Edge条件分支、Tool调用和MemorySaver持久化。帮助读者从概念学习过渡到真正的Agent工程开发，实现带状态、能搜索、有记忆的多轮对话Agent最小闭环。

本文探讨了AI Agent的任务分解技术，指出ReAct模式在复杂任务中存在任务遗漏、上下文混乱和执行顺序失控等问题。核心解决方案是Planning Agent的"先规划再执行"架构，通过Planner+Executor模式将复杂任务拆解为可执行的原子化子任务。文章详细介绍了LangGraph实现的任务队列机制、工程级Prompt设计（强制JSON输出）、State状态管理，以及生产环境的最佳实践

本文介绍了Regnexe Python系列第2篇，重点讨论Agent开发中Skill与Sub-Agent的选择标准。Skill继承父Agent的模型和工具（如天气查询+活动建议），适合轻量任务；Sub-Agent则拥有独立模型（如通义千问）和私有工具（如旅行费用估算），适合需隔离的复杂任务。文章通过代码示例展示了二者的实现差异，并给出判断规则：复用现有资源用Skill，需独立模型/工具时用Sub-

本文手把手教你用 LangGraph 搭建最小 ReAct Agent Demo。通过定义天气查询和计算器两个工具，配合 `create_react_agent` 实现自动工具选择与调用。涵盖环境配置、模型接入（OpenAI/DeepSeek/通义千问）、工具编写、完整代码及调试技巧，帮助读者跑通 Agent 最小闭环，为扩展更复杂应用打下基础。

一句话总结：Chatbot 是回答问题，ReAct Agent 是为了完成任务。思考（Reason）行动（Act）观察（Observe）循环迭代查信息用工具分步解决问题动态决策这也是 AI Agent 真正开始“像智能体”的起点。