create_deep_agent vs create_agent 的区别

[1. create_agent - LangChain 标准函数](#1. create_agent - LangChain 标准函数)

[2. create_deep_agent - DeepAgents 高级函数](#2. create_deep_agent - DeepAgents 高级函数)

核心区别对比

实际应用对比

工作流程对比

何时使用哪个？

总结

1. create_agent - LangChain 标准函数

来源： langchain.agents

作用： 创建基础智能体

特点：

✅ 基础功能：LLM + Tools
✅ 简单直接：适合单智能体场景
❌ 不支持子代理协作
❌ 不支持复杂的多智能体编排

使用示例：

python 复制代码

from langchain.agents import create_agent

agent = create_agent(
    model=llm,
    tools=[search_tool, calculator],
    system_prompt="你是一个助手"
)

# 运行
result = agent.invoke({"messages": ["查询天气"]})

2. create_deep_agent - DeepAgents 高级函数

来源： deepagents 库

作用： 创建支持子代理协作的高级智能体

特点：

✅ 支持子代理：可以调用多个子代理协作
✅ 多智能体编排：主代理协调子代理完成任务
✅ 并行执行：支持多个子代理并行工作
✅ 复杂任务拆解：自动将复杂任务拆分给不同子代理
✅ 层级架构：支持多层级代理结构

使用示例：

python 复制代码

from deepagents import create_deep_agent

# 定义子代理
research_agent = {
    "name": "research_agent",
    "system_prompt": "你是研究员",
    "tools": [search_tool]
}

writer_agent = {
    "name": "writer_agent",
    "system_prompt": "你是作家",
    "tools": []
}

# 创建主代理（协调员）
coordinator = create_deep_agent(
    model=llm,
    tools=[],
    system_prompt="你是项目协调员",
    subagents=[research_agent, writer_agent]  # 关键：支持子代理
)

# 运行
result = coordinator.invoke({
    "messages": ["研究AI趋势并写报告"]
})

核心区别对比

|------------|--------------|-------------------|
| 特性 | create_agent | create_deep_agent |
| 来源 | LangChain | DeepAgents |
| 子代理支持 | ❌ 不支持 | ✅ 支持 |
| 多智能体协作 | ❌ 不支持 | ✅ 支持 |
| 并行执行 | ❌ 不支持 | ✅ 支持 |
| 任务拆解 | ❌ 手动 | ✅ 自动 |
| 适用场景 | 简单任务 | 复杂多步骤任务 |
| 复杂度 | 低 | 高 |

实际应用对比

场景1：简单查询（使用 create_agent）

python 复制代码

from langchain.agents import create_agent

# 简单的天气查询
agent = create_agent(
    model=llm,
    tools=[weather_tool],
    system_prompt="你是天气助手"
)

result = agent.invoke({"messages": ["北京今天天气怎么样？"]})

适用： 单一工具、简单查询

场景2：复杂项目（使用 create_deep_agent）

python 复制代码

from deepagents import create_deep_agent

# 研究员子代理
researcher = {
    "name": "researcher",
    "system_prompt": "收集信息",
    "tools": [search_tool]
}

# 分析师子代理
analyst = {
    "name": "analyst",
    "system_prompt": "分析数据",
    "tools": [calculator]
}

# 作家子代理
writer = {
    "name": "writer",
    "system_prompt": "撰写报告",
    "tools": []
}

# 主协调员
coordinator = create_deep_agent(
    model=llm,
    tools=[],
    system_prompt="协调子代理完成项目",
    subagents=[researcher, analyst, writer]
)

# 复杂任务：研究→分析→撰写
result = coordinator.invoke({
    "messages": ["研究AI趋势并撰写分析报告"]
})

适用： 多步骤、多角色、需要协作的复杂任务

工作流程对比

create_agent 工作流程：

python 复制代码

用户请求
    ↓
LLM 理解意图
    ↓
调用工具（如果有）
    ↓
返回结果

create_deep_agent 工作流程：

复制代码

用户请求
    ↓
主代理分析任务
    ↓
拆解为子任务
    ↓
并行调用子代理
    ├─→ 研究员：搜索信息
    ├─→ 分析师：分析数据
    └─→ 作家：撰写内容
    ↓
整合子代理结果
    ↓
返回最终结果

何时使用哪个？

使用 create_agent：

✅ 简单的问答场景
✅ 单一工具调用
✅ 不需要多智能体协作
✅ 快速原型开发

使用 create_deep_agent：

✅ 复杂的多步骤任务
✅ 需要多个专业角色协作
✅ 需要并行处理
✅ 需要任务自动拆解
✅ 构建企业级应用

总结

|-----------------------|----------|
| 函数 | 一句话概括 |
| create_agent | 单兵作战的智能体 |
| create_deep_agent | 团队协作的智能体 |

简单理解：

create_agent = 单个员工
create_deep_agent = 项目经理 + 多个专业员工