DeepAgents 主-子 Agent 的底层实现逻辑完全基于 LangGraph 的图机制

DeepAgents 主-子 Agent 的底层实现逻辑完全基于 LangGraph 的图机制。 它本质上是 LangGraph 的高层封装，主子 Agent 的协作完全建立在 LangGraph 的 StateGraph、CompiledGraph 和工具路由之上。

三层架构关系

DeepAgents、LangGraph、LangChain 三者的关系是逐层构建的：

DeepAgents（Agent Harness / 加速器）
  └── LangGraph（Agent Runtime / 执行引擎）
        └── LangChain Core（基础抽象）

DeepAgents 的 create_agent() 返回的就是一个编译好的 LangGraph CompiledGraph，可以直接使用 LangGraph 的 stream、invoke 等 API。

主子 Agent 的图实现细节

实际工程中，主子 Agent 的协作通常呈现为三层 LangGraph 嵌套结构：

• 外层 StateGraph（硬拓扑） ：用 langgraph.graph.StateGraph 构建，边是硬编码的，拓扑不依赖 LLM 决策，保证关键节点（如回调）一定触发。
• 中层 DeepAgent（主 Agent） ：底层基于 LangGraph 的 create_react_agent 构建，本身就是一个 ReAct 循环------LLM 决策是否调工具、调哪个，直到模型主动停止。
• 内层 CompiledSubAgent（子 Agent） ：每个子 Agent 都是独立编译好的 LangGraph 图，拥有自己的 ReAct 循环 + 工具链 + 中间件栈。

task 工具的图机制本质

主 Agent 调用子 Agent 的 task 工具，本质上就是 LangGraph 的工具路由机制：

1. create_task_tool 把各子 Agent 按 name 注册到字典，创建一个 task(description, subagent_type) 工具，并加入主 Agent 的工具列表。
2. 主 Agent 的 LLM 看到的是多态工具，天然用"调工具"的心智模型去编排子 Agent。
3. 当 LLM 决策调用 task 时，LangGraph 把调用路由到 handle_langgraph_sub_agent，它完成上下文隔离（新 thread_id + 全新 messages）、单一返回值（只返回一条 ToolMessage）以及 files 合并（通过 Command.update 合并回主 Agent 的 state）。

一句话总结

DeepAgents 并没有另起炉灶，而是把 LangGraph 的图构建、状态管理、工具路由、子图（Subgraph）等机制封装成了"开箱即用"的抽象。主 Agent 是一个 ReAct 循环图，子 Agent 是独立编译的子图，task 工具是连接它们的边------整个协作完全运行在 LangGraph 的图执行引擎之上。

---