deepagent 学习笔记 1

task 0

---

task 1

agent 三位一体

langgraph

• 底层开发工具 -> agent runtime
  1. 断点存档，复活续跑
  2. 流式输出，实时观测
  3. 人机协作，重要决策人类介入
  4. 状态管理，节点之间传递上下文和参数

langchain

• 中间开发框架 -> agent framework
  • 提供调用接口，包括模型调用，工具调用，loop，中间件等

deep agent

• 构建harness的工具库，将功能封装，避免重复造轮子
  1. 虚拟文件系统，基于backend执行
  2. 任务规划（TodoListMiddleware), 规划拆解任务执行流程，构建todo list并展示给用户当前执行进度
  3. 子agent派生。task 工具可以将子任务派发给子 agent，子agent使用独立上下文，仅返回执行结果
  4. skill。agent 可以获取的技能和知识。
  5. 上下文管理。包括对上下文的压缩总结、卸载并落盘记录，保证上下文不溢出的同时有选择性的记住某些内容。
  6. 记忆。提纯上下文以及记录下的文件内容，将历史内容分类整理成不同类型的记忆，按需加载和遗忘。

构建一个agent

构建一个tool

tool 三要素

1. 参数类型
   • 设定传参类型，llm通过读取类型清楚应该传什么类型的参数，pydanic也可以自动检测传参是否正确
2. docstring
   • 函数功能说明，llm通过读取这段字符串了解函数的作用
3. 参数默认值
   • 设定了默认值的参数可以减少llm的推理消耗，增加运行的稳定

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search for the given query.

    Args:
        query: The search query string.
        max_results: Maximum number of results to return.
        topic: The topic category for the search.
        include_raw_content: Whether to include raw page content.
    """
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

创建 agent

• 调用 create_deep_agent接口，需要传入：
  1. 调用的模型，这是agent的大脑
  2. agent 可用的工具列表
  3. 系统提示词，介绍agent的角色，以及可以做的工作

agent = create_deep_agent(
    model=model,
    tools=[internet_search],
    system_prompt=research_instructions,
)

成果展示：

参考资料

deepagents-in-action：datewhale