前言
上篇文章《LangChain不支持AgentSkills？那就从0到1实现一个》发布后，不少网友都在评论区反馈deepagents已经集成skill了，笔者通过官方文档阅读之后发现实现Skill机制的是LangChain团队推出的DeepAgents框架，虽然最终调研发现DeepAgents Cli的Skill机制不能满足我们的真实需求，但笔者对DeepAgents框架产生了浓厚的兴趣，几经学习实践下来也被它精妙的设计给折服。因此紧跟着LangChain/LangGraph 1.0 系列完成后，笔者接下来要分享DeepAgents相关的内容。本期分享首先和大家一起了解，DeepAgents是什么以及它的设计初衷。
本系列相关内容均列于笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》，该专栏适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 38 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。
一、DeepAgents：让复杂智能体的开发像搭积木一样简单
1.1 DeepAgents框架开发溯源
大家平时接触最多的智能体，通常是这样工作的：让大语言模型在一个循环里反复推理、调用工具，直到完成任务。这种模式在简单场景下很管用，可一旦任务变得复杂就会出现很大问题， 例如步骤不合理、工具调用出错、对话上下文越积越多导致混乱，甚至智能体自己都忘了要干什么。
在LangChain生态中要解决这个问题通常需要大家使用LangGraph从零搭建工作流，精确控制每一步是让 AI 自己决策还是走固定流程，也能选择不同的思考模式（比如 ReAct 或"先计划后执行"）。但这种灵活性的代价就是代码复杂，上手门槛高（关于LangGraph1.0的速通指南可参考笔者文章LangGraph1.0速通指南（一）------ LangGraph1.0 核心概念、点、边）。
作为全世界最懂智能体开发的LangChain团队也敏锐的注意到这个问题，开发了框架DeepAgents （截止目前版本0.4.3）。 它的核心思想很简单：把那些让智能体变得"聪明"的通用能力------比如做计划、记笔记、分工协作------都打包好，让大家开箱即用。 这样大家只需要关注自己的业务逻辑，甚至只需要几行代码，就能快速搭建出能处理复杂、多步骤、长时间任务的智能体。
1.2 DeepAgents框架定位
要理解 DeepAgents，先要理清它和 LangChain、LangGraph 的关系。打个比方：
- LangGraph 就像智能体的"操作系统内核"，负责底层的工作流调度、状态持久化和监控。
- LangChain 则是基于这个内核的"高级开发工具包"，提供了很多现成的函数（比如
create_agent）和组件，让大家写代码更顺手。 - DeepAgents 是在 LangChain 的便利接口和 LangGraph 的强大运行时之上，又盖了一层"智能模块"------比如任务规划、文件系统、长期记忆、多智能体协作等。它的核心函数
create_deep_agent，其实就是给 LangChain 的标准智能体加上了这些模块。
理解了DeepAgents/LangChain/LangGraph三者的分层定位，笔者建议大家根据实际需求情况选择合适框架开发：
- 对于一些简单步骤的任务 ，直接使用LangChain 1.0提供的
create_agent。 - 对于一些需要精细控制的定制化需求，使用LangGraph 1.0自定义工作流程实现。
- 对于一些需要构建复杂的多步骤、长时间运行的Agent；并希望拥有任务规划、文件系统、长期记忆等能力时，考虑DeepAgents。
1.3 DeepAgents核心原理
DeepAgents的核心原理其实非常直观。大家可以借助大家熟悉的复杂任务智能体（如Claude Code等编程智能体）来理解：它们通常都具有自主制定计划 、保存中间结果 ，并能够调用子智能体协助完成任务 等共性能力。DeepAgents正是将这些共性能力进行了抽象和封装，形成了一系列预置组件 。这些组件以中间件 和内置工具 的形式实现，提供了任务规划、上下文管理、子代理生成和长期记忆等核心功能。此外，DeepAgents还专门设计了文件系统，用于高效管理大量的中间结果与上下文信息。以上所有功能都已集成在 create_deep_agent SDK 中，开发者可以快速调用，轻松构建功能强大的复杂智能体。
二、 DeepAgents 代码示例讲解
理论的讲解总归还是有点虚，为了让大家更直观地体验DeepAgents的优点，笔者这里选用DeepAgents官方的一个deep_research案例来感受DeepAgents的强大功能------仅需数十行代码，即可完成DeepResearch智能体的相关构建。
2.1 代码概览
先整体看一下这段代码。它创建了一个能够进行深度研究的智能体（Research Agent），该智能体不仅自己能使用搜索和思考工具，还可以动态委派子任务给专门的研究子智能体（sub‑agent）。整个脚本结构清晰，核心逻辑都封装在create_deep_agent函数中。
python
from datetime import datetime
from langchain.chat_models import init_chat_model
from langchain_google_genai import ChatGoogleGenerativeAI
from deepagents import create_deep_agent
from research_agent.prompts import (
RESEARCHER_INSTRUCTIONS,
RESEARCH_WORKFLOW_INSTRUCTIONS,
SUBAGENT_DELEGATION_INSTRUCTIONS,
)
from research_agent.tools import tavily_search, think_tool
# 并发与迭代限制
max_concurrent_research_units = 3
max_researcher_iterations = 3
# 当前日期（用于提示词中的时间信息）
current_date = datetime.now().strftime("%Y-%m-%d")
# 组合主智能体的系统提示词
INSTRUCTIONS = (
RESEARCH_WORKFLOW_INSTRUCTIONS
+ "\n\n"
+ "=" * 80
+ "\n\n"
+ SUBAGENT_DELEGATION_INSTRUCTIONS.format(
max_concurrent_research_units=max_concurrent_research_units,
max_researcher_iterations=max_researcher_iterations,
)
)
# 定义研究子代理
research_sub_agent = {
"name": "research-agent",
"description": "Delegate research to the sub-agent researcher. Only give this researcher one topic at a time.",
"system_prompt": RESEARCHER_INSTRUCTIONS.format(date=current_date),
"tools": [tavily_search, think_tool],
}
# 选择底层大模型（此处使用 Claude 4.5，Gemini 3 备选）
# model = ChatGoogleGenerativeAI(model="gemini-3-pro-preview", temperature=0.0)
model = init_chat_model(model="anthropic:claude-sonnet-4-5-20250929", temperature=0.0)
# 创建深度智能体
agent = create_deep_agent(
model=model,
tools=[tavily_search, think_tool],
system_prompt=INSTRUCTIONS,
subagents=[research_sub_agent],
)2.2 核心组件解析
上述代码虽短，却完整地构建了一个具备任务规划 、子代理委派 和内置思考能力的复杂研究智能体。下面笔者将逐一拆解其关键部分。
2.2.1 create_deep_agent：一切智能体的起点
create_deep_agent是DeepAgents框架提供的核心工厂函数。它接受一个基础模型、工具列表、系统提示词和子智能体列表，返回一个开箱即用的深度智能体。这个智能体内部已经集成了：
- 任务规划器：将复杂任务拆解为可执行的步骤。
- 文件系统：管理中间结果和上下文，防止对话过长导致混乱。
- 子智能体管理器：负责子智能体的创建、通信和结果汇总。
- 长期记忆：跨对话保存重要信息。
开发者完全不需要关心这些底层逻辑的实现，只需像搭积木一样传入配置即可。
2.2.2 系统提示词：赋予智能体"灵魂"
提示词的设计是智能体行为的关键。主智能体的系统提示词由三部分拼接而成：
RESEARCH_WORKFLOW_INSTRUCTIONS：定义研究工作的整体流程，例如如何规划、如何组织搜索结果。SUBAGENT_DELEGATION_INSTRUCTIONS：规定了子智能体的委派规则，其中动态插入了并发限制和最大迭代次数。这让子智能体知道它可以同时运行最多3个研究单元，每个研究任务最多迭代3次。
子智能体的提示词RESEARCHER_INSTRUCTIONS还嵌入了当前日期，确保研究过程中能够感知时间上下文（例如搜索"今年的诺贝尔奖得主"时能正确理解"今年"）。
2.2.3 子智能体：分工协作的体现
research_sub_agent是一个典型的子智能体定义。它包含：
name：唯一标识，用于在主智能体中调用。description：描述子代理的功能，主智能体通过阅读理解这段描述来决定何时委派任务。system_prompt：子智能体自身的系统提示词，专注于研究任务。tools：子智能体可用的工具，此处与主智能体一样拥有搜索和思考能力。
这种设计完美体现了第一章提到的"多智能体协作"原理：主智能体负责全局规划与调度，子代理专注于单一研究主题，各自分工，最终汇总成果。当然，除了通过传入配置方式构建子智能体外，大家也可将使用LangChain create_agent 创建的智能体或使用LangGraph compile后的智能体作为子智能体传入。
2.2.4 工具：扩展智能体的能力边界
本例中使用了两个工具：
tavily_search：一个专为大模型优化的搜索引擎工具，能够返回干净、结构化的搜索结果。think_tool：一个思考工具，在每次搜索后使用此工具，以系统性地分析结果并规划后续步骤。这能在研究工作流中创建刻意暂停，以便进行高质量的决策。
DeepAgents框架允许开发者自由注册任何自定义工具，进一步扩展智能体的能力。
2.3 DeepAgents设计思想与原理
从这段代码可以很好的体现DeepAgents三大设计原则：封装通用能力 、简化开发 、模块化组合。
- 封装通用能力 ：任务规划、子代理管理、文件系统等复杂逻辑全部隐藏在
create_deep_agent内部，开发者无需编写任何LangGraph节点和边的代码。 - 简化开发：原本需要数百行LangGraph代码才能实现的深度研究智能体，现在只需几十行配置即可完成。开发者只需关注提示词工程和工具定义。
- 模块化组合：主智能体、子智能体、工具都是独立模块，可以像搭积木一样自由组合、复用。大家可以为其他领域（如数据分析、代码生成）定义不同的子代理，轻松扩展智能体的能力。
笔者通过LangChain的agent.get_graph().draw_mermaid_png()展示DeepAgents构造的deepresearch智能体的图结构，可以看到该图同样是ReACT的经典结构，并通过PathToolCallsMiddleware, SummarizationMiddleware等中间件扩展了LangChain create_agent的能力。
2.4 运行效果与扩展思考
下面通过一个具体示例展示DeepAgents的运行效果。假设用户提出如下请求：research context engineering approaches used to build AI agents（研究用于构建AI代理的上下文工程方法）
python
result = agent.invoke(
{
"messages": [
{
"role": "user",
"content": "research context engineering approaches used to build AI agents",
}
],
},
)
format_messages(result["messages"])-
任务规划 ： DeepAgents首先接收用户的研究请求，并调用内置的
write_todos工具生成任务计划。每个任务项都带有状态标记，例如第一步是"设计研究请求"，并将该计划保存至research_request.md文件中。
-
逐步执行与状态更新 ：智能体每完成一个步骤，都会再次调用
write_todos工具更新对应任务的状态为completed，然后自动进入下一步。如图所示，下一步计划是调用一个子智能体来获取具体的研究内容
-
结果汇总与输出 ：当所有计划任务完成后，智能体将更新最终的待办列表，并使用
write_file工具将整理好的研究报告写入final_report.md文件中
上述示例中涉及的write_todos、task、write_file等工具均已内置在DeepAgents中。用户只需输入简单的需求，智能体便会自动调用相应工具和文件系统来完成整个任务。由此可见，DeepAgents真正实现了"让复杂智能体的开发像搭积木一样简单"。
以上就是本篇文章的全部内容，相关示例代码大家可关注笔者的同名微信公众号大模型真好玩 ，并在公众号私信: LangChain智能体开发获取。
三、总结
DeepAgents是LangChain团队推出的智能体框架，它将任务规划、子代理管理、文件系统等通用能力封装为内置组件，开发者通过create_deep_agent函数仅需数行代码即可搭建复杂智能体，真正实现"搭积木式"开发。从上述分析可以看出，DeepAgents本质上是在LangChain create_agent的基础上，通过中间件和内置工具增强了智能体的能力。为了帮助大家深入理解DeepAgents的底层机制，做到知其然更知其所以然，下一期分享笔者将暂不探讨使用技巧，而是从DeepAgents所依赖的中间件入手，全面解析其设计原理与实现细节，敬请期待！
本系列相关内容均列于笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》，该专栏适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 38 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号大模型真好玩 ，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。
2026年笔者的另一大重心还会放在大模型训练专栏分享上，当然，谈论训练无法绕过算力这道现实的门槛。昂贵的GPU是许多人探索技术的拦路石。正因如此笔者今年特意与一些可靠的算力平台展开了合作，希望能为大家解决算力瓶颈。大家可以通过Lab4AI 注册Lab4ai算力平台 ，提供了包括英伟达H系列在内的多种选择，更有 5小时的免费体验额度。