JaydenAI的博客

create_deep_agent函数是Deep Agents的核心创建方法，它在create_agent基础上预注册了多种中间件。该函数支持丰富的参数配置，包括模型选择、工具集、系统提示词、子代理、技能、记忆系统等，并默认集成多个关键中间件如TodoListMiddleware和FilesystemMiddleware。函数会强制添加迭代次数限制和默认系统提示词，强调AI助手应保持专业客观、直接高效的工作风格，要求先理解任务再执行，并持续验证直至任务完成。未指定的子代理将继承主代理的模型

本文介绍了如何利用AsyncSubAgentMiddleware构建异步Sub-Agent系统。通过将transport_agent和accommodation_agent部署为独立服务，Main-Agent可以异步调用这些Sub-Agent执行机票购买和酒店预订任务，同时保持与用户交互的能力。文章详细展示了Agent服务器的构建过程、配置方法以及Main-Agent如何通过AsyncSubAgentMiddleware远程管理和监控异步任务。这种架构特别适用于耗时操作，实现了任务并行处理和实时进度查

Deep Agents支持通过创建Sub-Agent来分解复杂任务和隔离上下文，分为同步（阻塞式）和异步（非阻塞式）两种执行方式。本文重点介绍同步Sub-Agent的应用场景，包括处理多步骤任务、专业领域工作等，并通过差旅助手实例展示了如何使用SubAgentMiddleware构建包含transport_agent和accommodation_agent的代理系统。Main-Agent负责高层协调，Sub-Agent处理具体事务（如机票购买和酒店预订），有效解决了上下文膨胀问题。文中还介绍了Sub-

Deep Agents将Memory视为Agent的核心资产，通过MemoryMiddleware实现持久化记忆功能。Memory存储在文件系统中，具有可解释性和易管理性，支持手动修改和调试。在订餐助手示例中，Agent能记住用户饮食偏好并据此推荐菜品，通过写入preferences.md文件实现跨会话记忆。该设计使Agent具备学习和进化能力，通过文件系统存储记忆内容，既可直接查看修改，又能持续积累知识，提升服务个性化水平。

_DeepAgentsSummarizationMiddleware是一个专为长对话设计的上下文管理组件，能够自动压缩对话历史以防止超出模型Token限制。它通过调用指定的LLM对较旧消息进行摘要，保留核心信息的同时大幅减少Token数量。演示实例展示了该中间件在天气查询场景中的应用：当消息超过5条时触发摘要，保留最新消息，确保Agent仍能生成准确结果。摘要过程会记录SummarizationEvent事件，包含触发原因、摘要前后Token数等信息。该组件特别适合需要处理长对话的AI应用场景。

本文探讨了LLM对话历史中消息列表的结构要求及其修复机制。当Agent执行过程中因异常导致ToolCall与ToolMessage不匹配时，PatchToolCallsMiddleware能自动修复这种结构断裂。文章首先分析了ReAct工作模式如何形成严格的交替消息结构（推理-行动-观察循环），然后列举了导致结构破坏的常见原因（如并发调用乱序、用户干预等）及其严重后果（逻辑幻觉、无限循环等）。最后通过代码示例展示了PatchToolCallsMiddleware如何自动补全缺失的ToolMessage，确保

某些较为敏感工具在执行之前需要引入人工审理，此时就需要使用到。旨在为Agent增加一道，它通过LangGraph的中断实现了人机交互。在工具调用前引入人工干预，确保敏感操作（如发送邮件、删除数据、大额转账）必须经过人类审核方可执行。

Agent Skills是一种模块化工具，通过结构化Markdown文件（SKILL.md）封装专业知识和操作流程，帮助大模型（LLM）在特定场景下像专家一样执行任务。其核心设计遵循渐进式披露原则：元数据（如名称、描述）预先加载为系统提示词，而详细内容按需调用文件读取工具动态加载。例如，翻译助手Skill指导LLM生成禅宗风格、押韵的英文诗歌翻译，并通过SkillsMiddleware实现元数据与内容的分离管理，优化任务执行效率。这种设计既减少冗余信息干扰，又确保LLM在需要时精准调用技能细节。

摘要： TodoListMiddleware通过结构化任务管理提升Agent的主动规划能力。它将复杂目标分解为可执行任务列表，利用PlanningState状态跟踪任务进度，并注入系统提示词指导LLM规划。核心功能包括：提供write_todos工具进行全量任务更新；通过状态管理防止目标漂移；支持任务动态卸载以优化上下文窗口。该中间件尤其适合多步骤复杂任务，能增强任务可视化、调试效率和结构化委托能力（与SubAgentMiddleware配合时）。默认包含工具使用规范，建议非必要不对简单任务（少于3步）启用

Deep Agents框架通过FilesystemMiddleware实现了抽象文件系统，为AI代理提供标准化文件操作工具集（ls/read/write/edit等）。该设计具有三大创新：1) 支持多种后端存储的统一访问；2) 实现自动上下文卸载机制，通过阈值触发和引用替换防止上下文溢出；3) 提供精细化的工具描述，指导AI正确使用文件操作功能。这种存储与计算分离的架构，有效解决了大模型在处理复杂任务时的健忘问题，成为实现长程任务的关键基础设施。

Deep Agents是LangChain团队推出的开源Agent框架，专注于处理复杂、长期的多步骤任务。相比传统浅层Agent，它集成了任务规划、文件系统、子Agent生成等功能。文章对比了LangChain、LangGraph和Deep Agents的关系：LangChain提供核心开发模块，LangGraph负责运行时执行，Deep Agents则构建于二者之上。技术实现上，LangGraph通过状态图编译生成Agent，LangChain使用create_agent函数创建基础Agent

在Deep Agents中FilesystemMiddleware（文件系统中间件）扮演着**外部存储器**和**上下文管理器**的双重角色，建立在一个利用`BackendProtocol`协议抽象的文件系统之上。具有如下定义的`BackendProtocol`定义了一套标准化的接口，使得Agent无需关心底层存储是本地磁盘、云端S3、数据库还是内存，都能以统一的方式进行文件操作。