DeepAgents学习笔记一（构建深度多智能体）

DeepAgents LangChain vs LangGraph vs DeepAgents

Subagents自智能体

一. 概述

DeepAgents是一个独立库，建立在 LangChain代理核心构建模块之上,是构建由大型语言模型（LLM）驱动的代理和应用的最简单方式------内置任务规划功能、用于上下文管理的文件系统、子代理生成和长期记忆。可以用它完成复杂、多步骤、切自主规划的任务。

• LangChain (Framework) ：做 "动作"，是核心的代理框架。它封装了 LLM 与工具的交互，提供灵活的代理结构，但不包含规划、记忆或文件系统，适合开发者自己定制逻辑。
• LangGraph (Runtime) ：管 "流程"，是外层的运行时。它把执行变成可管理的图结构，支持循环、并行和持久化，保障智能体执行的稳定与可控。
• DeepAgents (Harness) ：负责 "组织"，是最外层的工具包。它内置规划器、子代理、文件系统和持久存储，让智能体从 "能执行" 升级为 "能组织、能管理、能记忆" 的深度智能体。

LangChain vs LangGraph vs DeepAgents

LangChain、LangGraph、Deep Agents 使用场景总结：

(1). 何时使用 LangChain？

-   你想**快速构建代理与自主应用**。
-   你需要对**模型、工具、代理循环**提供标准抽象。（单Agent）
-   你需要**易用且灵活**的开发框架。
-   你在开发**简单直接的代理应用**，无复杂编排需求。

(2). 何时使用 LangGraph？

-   你需要对**代理编排做细粒度、底层控制**。
-   你需要**持久化执行**，支持**长时间运行、有状态的代理**。
-   你在构建**结合确定性步骤与智能代理步骤**的复杂工作流。
-   你需要**可直接用于生产环境**的代理部署基础设施。

(3). 何时使用 Deep Agents SDK？

-   你在构建**长期运行、持续运营、自主规划**的智能代理。
-   你在构建需要处理**复杂、多步骤任务**的代理。
-   你需要使用**预定义工具**：如文件系统操作、自定义工具、自动化上下文工程等。
-   你希望直接使用**预设提示词与子代理**能力。

二. 构建子智能体

1.通过dict 配置sbuagetns子智能体

dict的可传递参数查询

#   案例4： 演示字典类型创建子智能体！！ 并且演示异步执行
from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent
import os
import asyncio
from dotenv import load_dotenv, find_dotenv
import json

from langchain_core.tools import tool

load_dotenv()

# 极简初始化（自动读取OPENAI环境变量）
model = init_chat_model(
    model="qwen-max",
    model_provider="openai",
    api_key = os.getenv("DASHSCOPE_API_KEY"),
    base_url = os.getenv("DASHSCOPE_BASE_URL")
)

model_2 = init_chat_model(
    model="qwen3.5-plus-2026-04-20",
    model_provider="openai",
    api_key = os.getenv("DASHSCOPE_API_KEY"),
    base_url = os.getenv("DASHSCOPE_BASE_URL")
)

"""
**示例**：创建一个主智能体，它拥有三个助手：
1.  **天气助手**：查询天气（固定返回"晴朗"）。
2.  **计算助手**：处理数学问题。
3.  **翻译助手**：负责中英互译。
"""

@tool
def get_weather():
    """获取天气信息"""
    return "今天天气晴朗，温度28度,湿度0.8"
# 1. 创建一个天气助手
weather_agent = {
    "name":"weather_helper",  # 名称
    "description":"用于查询天气信息智能助手，当用户询问查询天气的时候，调用此助手完成任务！", # 描述，给main_agent看的
    "system_prompt":"你是一个天气查询助手'", # 系统提示词，给lm模型看的
    "tools":[get_weather],
    "model":model_2
}

# 2. 计算助手
math_agent = {
    "name":"math_helper",  # 名称
    "description":"用于处理数据计算问题！", # 描述，给main_agent看的
    "system_prompt":"你是一个严谨的数学助手，帮助用户回答计算算数等问题！", # 系统提示词，给lm模型看的
    "tools":[]
    # "model":   # Optional override, defaults to main agent model 默认是主智能体的模型
}

translate_agent = {
    "name":"translate_helper",  # 名称
    "description":"用于中英相互翻译的助手！", # 描述，给main_agent看的
    "system_prompt":"你是一个中英翻译助手，如果是中文翻译成英文，如果是英文就翻译成对应的中文！", # 系统提示词，给lm模型看的
    "tools":[]
    # "model":  # Optional override, defaults to main agent model 默认是主智能体的模型
}


# 4. 创建主智能体
main_agent = create_deep_agent(
    model=model,
    tools=[],
    subagents=[weather_agent, math_agent, translate_agent],
    system_prompt="你是一个全能管家，你会根据用户的需求，调用对应子智能体和助手实现对应的功能！注意：不能自己执行，必须调用子智能体！"
)


async def test_steam(query):
    """
    使用mainagent执行传入的问题
    :param query:
    :return:
    """
    stream = main_agent.astream({
        "messages":[
            {"role":"user", "content":query}
        ]
    })

    async  for chunk in stream:
        # chunk -> {"model / tools " : {"messages":[{},{},{}]}}
        # model   |  {messages : []}
        for node_name , state in chunk.items():
            # 如果state是None,或者state没有messages我们就跳过！！
            if state is None or "messages" not in state: continue
            # 获取messages数据
            messages = state["messages"]
            if messages and isinstance(messages, list):
                last_msg = messages[-1]
                # 决定如何处理  node_name = model 1. 大模型决定调用工具 2. 大模型决定调用子agent 3.大模型返回结果了
                # || node_name = tools  调用自己的工具，并获取返回结果
                if node_name == "model":
                    # model = 》 返回的结果 =》 决定调用哪些
                    if last_msg.tool_calls:
                        # 决定调用子工具或者subAgent
                        for tool_call in last_msg.tool_calls:
                            if tool_call['name'] == 'task':
                                # 决定调用某个subAgent
                                print(f"【model】决定调用子智能体{tool_call['args']['subagent_type']}")
                            else:
                                # 决定调用某个工具
                                print(f"【model】决定调用子工具{tool_call['name']},传入的参数为：{tool_call['args']}")
                    elif last_msg.content:
                        # 模型返回最终结果
                        print(f"【model】返回最终结果：{last_msg.content}")
                elif node_name == "tools":
                    # agent = > 调用自己的工具了，并获取了结果
                    name = last_msg.name
                    content = last_msg.content
                    print(f"【agent】调用了具体的工具{name},返回结果为：{content[:100]+'...'}")


# test_steam("北京今天的天气怎么样？")
# # test_steam("998+889 运算后等于多少？")
# #test_steam("请将'我要上楼打他'翻译成英文！并且查询今天北京的天气信息！")
# test_steam("请将'我要上楼打他'翻译成英文！")


if __name__ == "__main__":
    # asyncio.run(test_steam("北京今天的天气怎么样？"))
    async def batch_run():
        # 要执行的并发协程对象获取到
        tast1 = test_steam("北京今天的天气怎么样？") # 不会立即执行！返回一个 coroutine 对象 |必须用 await asyncio.run() 才能真正执行
        tast2 = test_steam("请将'我要上楼打他'翻译成英文！")
        print(type(tast1))
        print(type(tast2))
        await asyncio.gather(tast1,tast2) # 同时启动多个异步任务，并发执行

    asyncio.run(batch_run())

"""
    创建deepagent -> 配置工具和子智能体以及同步执行（invoke / stream）
    如何异步执行！！ astream -》 async for
"""

执行结果：

2.通过CompiledSubAgent自定义智能体

#  实验7： langchain create_agent 兼容 deepagents框架
import os
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain_core.tools import tool
from deepagents import create_deep_agent, CompiledSubAgent
from dotenv import load_dotenv, find_dotenv


load_dotenv()

# 极简初始化（自动读取OPENAI环境变量）
model = init_chat_model(
    model="qwen-max",
    model_provider="openai",
    api_key = os.getenv("DASHSCOPE_API_KEY"),
    base_url = os.getenv("DASHSCOPE_BASE_URL")
)


@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气"""
    return f"{city}的天气是晴朗，25度"

# Create a custom agent  langchain
agent = create_agent(
    model=model,
    tools=[get_weather]
)

# Use it as a custom subagent
custom_subagent = CompiledSubAgent(
    name="subagent",
    description="子任务，可以调用天气工具，查询天气信息！",
    runnable=agent
)


deep_agent = create_deep_agent(
    model=model,
    tools=[],
    system_prompt="你是一个智能助手,主要调用子代理实现功能，你只做任务分配,可以调用subagent实现功能！！",
    subagents=[custom_subagent]
)

stream = deep_agent.stream({
    "messages":[
        {"role":"user","content":"查询北京的天气！"}]
})
for chunk in stream:
    print(chunk)
    print("="*100)

执行结果：