DeepAgents 的子 Agent 如何实现上下文隔离

不是重新开一个 LLM，而是复用了同一个编译好的图，但每次调用时传入一个全新的、干净的 State。 上下文隔离的本质是数据层面的隔离，而非模型实例的隔离。

核心机制：图复用 + State 隔离

DeepAgents 的子 Agent 生命周期分为两个阶段：

Build time（仅一次）

在 create_deep_agent 阶段，框架把每个子 Agent 配置编译为一个 CompiledStateGraph，并以名称为 key 缓存在内存中。这个编译过程只发生一次，后续所有调用都复用这个编译好的图。

Run time（每次调用）

每次主 Agent 调用 task 工具时，执行流程如下：

1. 过滤父 State ：把父 Agent 的 messages、todos、structured_response、skills_metadata、memory_contents 等字段全部排除
2. 构建全新消息列表 ：只包含本次任务描述，如 [{"role": "user", "content": "请研究XXX"}]
3. 调用缓存的图 ：对这个干净的 State 调用 ainvoke
4. 提取结果返回 ：从子 Agent 结果的 messages 中提取最终消息，作为 ToolMessage 返回给主 Agent

用伪代码表示就是：

def task(description, subagent_type):
    # 关键：不包含父级历史记录，只传任务描述
    state["messages"] = [{"role": "user", "content": description}]
    
    # 在隔离环境中执行子Agent
    result = sub_agent.invoke(state)
    
    # 只把最终结果返回给父Agent
    return ToolMessage(result["messages"][-1].content)

模型实例的复用与可选覆盖

关于 LLM 实例，分两种情况：

• 默认情况 ：子 Agent 与主 Agent 共享同一个 LLM 实例 （如 shared_llm），避免重复初始化，节省资源
• 可选覆盖 ：通过 model 参数为子 Agent 单独指定不同模型（如主 Agent 用 Claude，子 Agent 用 GPT-4o）

research_subagent = {
    "name": "research-agent",
    "description": "用于深度研究",
    "system_prompt": "你是专业研究员",
    "tools": [internet_search],
    "model": "openai:gpt-4o",  # 可选：覆盖主Agent模型
}

类比理解

可以把这个机制类比为函数调用：

主Agent 就像 main() 函数
子Agent 就像一个被调用的函数 func()

- 函数定义（编译图）只有一份，不会每次调用都重新定义
- 但每次调用时，传入全新的参数（干净的 State）
- 函数内部的局部变量（中间推理过程）对外不可见
- 只有 return 值（最终结果）会返回给调用方

一句话总结 ：子 Agent 的上下文隔离不是"重新开一个 LLM"，而是复用同一个编译好的图，但每次传入一个全新的、只包含任务描述的 State 。子 Agent 的中间推理过程（工具调用、思考链等）全部留在自己的 State 里，主 Agent 只收到最终的 ToolMessage 结果。

---