什么是 Deep Agents？

🧠 Deep Agents 概述

构建能规划、调用子智能体、并利用文件系统处理复杂任务的智能体

什么是 Deep Agents？

Deep Agents 是构建大语言模型（LLM）驱动的智能体（Agent）与应用的最简单方式。它内置了以下关键能力：

任务规划与分解
基于文件系统的上下文管理
动态生成子智能体（Subagents）
长期记忆支持

你可以用 Deep Agents 处理任意任务 ，尤其是那些需要多步骤协作、大量上下文或状态持久化的复杂任务。

💡 我们将 Deep Agents 视为一种 "智能体开发套件"（Agent Harness） 。

它与其他智能体框架共享相同的核心工具调用循环，但预置了开箱即用的高级能力。

技术定位：Deep Agents 与 LangChain 生态的关系

deepagents 是一个独立库 ，构建于 LangChain 的核心智能体组件之上。
它使用 LangGraph 作为运行时，以支持：
- 持久化执行
- 流式响应（Streaming）
- 人在环路（Human-in-the-loop）
- 跨会话状态管理

组件构成

组件	说明
Deep Agents SDK	用于构建可处理任意复杂任务的智能体
Deep Agents CLI	基于 SDK 构建的终端编码智能体（命令行工具）

🔗 想了解 LangChain、LangGraph 与 Deep Agents 的区别？

请参阅：框架、运行时与开发套件（Frameworks, Runtimes, and Harnesses）

核心能力详解

1. 📋 规划与任务分解

内置 write_todos 工具，使智能体能够：

将复杂任务拆解为清晰的待办事项（To-Do List）
实时跟踪进度
根据新信息动态调整计划

2. 📁 上下文管理（基于文件系统）

提供标准文件操作工具：

ls：列出目录
read_file：读取文件
write_file：写入文件
edit_file：编辑文件

这些工具允许智能体将超长上下文 或大体积中间结果暂存至内存或磁盘，避免 LLM 上下文窗口溢出。

3. 🔌 可插拔的文件系统后端

虚拟文件系统支持多种后端，可按需切换：

内存存储：快速、临时
本地磁盘：持久化到本地
LangGraph Store：支持跨线程/会话的持久化
沙箱环境：在隔离环境中执行代码（支持 Modal、Daytona、Deno）
自定义后端：实现你自己的存储逻辑

🧩 还支持组合路由（Composite Routing），混合使用多个后端。

4. 👥 子智能体（Subagent）生成

通过内置 task 工具，主智能体可动态派生专用子智能体：

实现上下文隔离（避免主智能体上下文污染）
在子任务中深入推理，完成后返回结果
保持主流程简洁高效

5. 🧠 长期记忆

集成 LangGraph 的 Memory Store，支持：

跨会话保存用户偏好、项目知识、历史结论
后续对话中自动检索并复用记忆

何时使用 Deep Agents？

✅ 推荐场景（使用 Deep Agents SDK）：

需要处理复杂、多步骤任务（如自动化研发、数据分析流水线）
需管理大量上下文（通过文件系统工具）
需要上下文隔离（通过子智能体）
需要跨会话持久化记忆
需在安全沙箱中执行代码

⚠️ 替代方案：

简单任务 → 使用 LangChain 的 create_agent
高度定制工作流 → 直接构建 LangGraph 状态图

✅ 推荐场景（使用 Deep Agents CLI）：

在终端中与编码智能体交互
教会智能体你的个人偏好、常用模式、项目知识
在本地机器或沙箱中安全执行代码

快速开始

安装

复制代码

pip install -qU deepagents

创建你的第一个 Deep Agent

复制代码

from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取指定城市的天气"""
    return f"{city} 今天阳光明媚！"

agent = create_deep_agent(
    tools=[get_weather],
    system_prompt="你是一个乐于助人的助手"
)

# 运行智能体
response = agent.invoke({
    "messages": [{"role": "user", "content": "旧金山天气如何？"}]
})
print(response)

📚 更多内容：

SDK 快速入门

自定义指南

调试与评估

使用 LangSmith 实现：

请求链路追踪（Tracing）
智能体行为调试
输出结果评估

只需设置环境变量：

复制代码

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=your-api-key

学习资源

主题	链接
SDK 快速入门	Build your first deep agent
自定义选项	Customization guide
文件系统后端	Backends
沙箱执行	Sandboxes
CLI 使用	Command line interface
API 参考	Reference

📝 本文档基于 LangChain 官方内容整理，最后更新于 2026 年 3 月 。

原文地址：https://docs.langchain.com/oss/python/deepagents/overview

如需进一步了解 Deep Agents 的实战案例（如自动编程、数据分析、企业自动化），欢迎查看官网。