LangChain 新出 DeepAgents！零基础也能上手的深度智能体框架，告别 “浅尝辄止”

关注

原创最新推荐文章于 2026-10-09 20:33:34 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

LangGraph最小可用智能体：从状态机到可调试Agent的实战入门 智能体（Agent）是大模型落地的关键范式，其核心在于构建具备感知、决策、执行与反馈能力的闭环系统。LangGraph通过显式状态机（StateGraph）将这一过程工程化，以类型化状态（State）、纯函数节点（Node）、条件边（Edge）和可编译图（Graph）四大要素，支撑可追溯、可干预、可测试的Agent开发。相比线性Chain，LangGraph天然适配工具调用、循环重试与多轮上下文管理，成为Python生态中面向生产环境的主流选择。本文聚焦‘最小可用’这一关键门槛，手把手实现一个含完整决策闭环阅读详情

在智能体的开发中，不少人会采用“大模型 + 循环调用工具”这一最为简洁的架构。该架构虽具备易用性优势，但往往存在“浅层化”问题——一旦面对复杂且流程漫长的任务，便很容易出现偏离方向、遗忘关键信息，或是在执行过程中半途停滞的情况。

那么，诸如 Deep Research、Manus、Claude Code 这类具备“深度”特性的智能体，是如何弥补上述缺陷的呢？其核心解决方案其实可归结为四方面：

规划工具：先明确任务目标与执行思路，再按步骤逐步推进。
子智能体：将复杂任务拆解后，分配给更具专业针对性的“小助手”完成。
文件系统：支持文件的读取与写入，以此留存任务执行中的中间成果与相关上下文信息。
详细提示词：清晰告知具体工作方法，帮助智能体减少不必要的尝试，提升执行效率。

1、 deepagents 是什么

deepagents 是一个 Python 包，把上面这四件事做成了通用能力，帮你更容易地搭出“深”智能体。它受 Claude Code 启发很深，目标是更通用、更好用。

在这里插入图片描述
deep agent

安装：

pip install deepagents

如果要跑下面的入门示例，还需要：

pip install tavily-python

2、一个简洁的入门示例

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

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

research_instructions = """You are an expert researcher. Your job is to conduct thorough research, and then write a polished report.

You have access to a few tools.

## `internet_search`

Use this to run an internet search for a given query. You can specify the number of results, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    [internet_search],
    research_instructions,
)

result = agent.invoke({"messages": [{"role": "user", "content": "what is langgraph?"}]})

这个 agent 本质上就是一个 LangGraph 图，所以你可以用 LangGraph 的常用能力（流式、HITL、人类介入、记忆、Studio 等）。

3、自定义一个“深”智能体

tools（必填）：一组函数或 LangChain 的 @tool。主智能体和子智能体都能用。
instructions（必填）：这会成为提示词的一部分（系统提示词已内置，会和它一起起作用）。
subagents（选填）：自定义子智能体，做专门的子任务。

子智能体有两种写法：

简单版 SubAgent

必填字段：name（名字）、description（说明）、prompt（提示词）
可选字段：tools（可用工具，默认继承全部）、model_settings（该子智能体独立的模型设置）

research_subagent = {
    "name": "research-agent",
    "description": "Used to research more in depth questions",
    "prompt": sub_research_prompt,
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[research_subagent]
)

进阶版 CustomSubAgent

直接把一个预先构建好的 LangGraph 图当作子智能体用：

from langgraph.prebuilt import create_react_agent

custom_graph = create_react_agent(
    model=your_model,
    tools=specialized_tools,
    prompt="You are a specialized agent for data analysis..."
)

custom_subagent = {
    "name": "data-analyzer",
    "description": "Specialized agent for complex data analysis tasks",
    "graph": custom_graph
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[custom_subagent]
)

4、模型怎么配

默认模型："claude-sonnet-4-20250514"
你可以传任意 LangChain 模型对象作为默认模型；也可以为某个子智能体单独指定模型与参数。

示例：用 Ollama 的自定义模型

from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model

model = init_chat_model(model="ollama:gpt-oss:20b")

agent = create_deep_agent(
    tools=tools,
    instructions=instructions,
    model=model,
)

示例：给“评审子智能体”单独上一个更快、更稳的模型

critique_sub_agent = {
    "name": "critique-agent",
    "description": "Critique the final report",
    "prompt": "You are a tough editor.",
    "model_settings": {
        "model": "anthropic:claude-3-5-haiku-20241022",
        "temperature": 0,
        "max_tokens": 8192
    }
}

agent = create_deep_agent(
    tools=[internet_search],
    instructions="You are an expert researcher...",
    model="claude-sonnet-4-20250514",
    subagents=[critique_sub_agent],
)

5、内置工具

默认自带 5 个工具（可通过 builtin_tools 精简）：

write_todos：写待办（帮助“先计划，再执行”）
write_file：写文件（虚拟文件系统）
read_file：读文件
ls：列文件
edit_file：编辑文件

精简示例（只保留待办工具）：

builtin_tools = ["write_todos"]
agent = create_deep_agent(..., builtin_tools=builtin_tools, ...)

6、关键部件

系统提示词（System Prompt）
已内置，参考了 Claude Code 的风格，又更通用。它把“怎么规划、怎么用文件、怎么调用子智能体”等规则说清楚。好的提示词，是深度的关键。
规划工具（Planning Tool）
类似 Claude Code 的 TodoWrite。它不直接“做事”，而是先把计划写下来，放在上下文里，帮助后续执行。
虚拟文件系统（File System Tools）
提供 ls/read_file/write_file/edit_file，用 LangGraph 的 State 模拟，不会动到真实磁盘，方便在一台机上开多个智能体也不相互影响。
目前支持一层目录；可以通过 State 中的 files 注入和读取。
子智能体（Sub Agents）
内置一个通用子智能体（和主智能体同指令、同工具），也支持你自定义多个专门子智能体。好处是“隔离上下文”、“专人做专事”。
人机协同（Human-in-the-Loop）
你可以给某些工具加“人工审批”拦截（interrupt_config）。支持：
- allow_accept：直接执行
- allow_edit：改工具或改参数再执行
- allow_respond：不执行，追加一条“工具消息”作为反馈
  需要配一个检查点（如 InMemorySaver）。当前一次只能拦截一个并行工具调用。
MCP 工具
通过 LangChain MCP Adapter 可以让 deepagents 使用 MCP 工具（注意使用 async 版本）。
配置化智能体（Configurable Agent）
用 create_configurable_agent，把 instructions/subagents 等做成可配的构建器，方便在 langgraph.json 里部署和更新。也有 async 版本。

7、适合做什么

深度研究：查资料、比对观点、整合成文。
代码助手：规划变更、读改文件、分派子任务、总结提交。
数据/文档处理：拆分任务、多步加工、阶段性落盘。
流程自动化：有计划、有记忆、有分工、更可靠。

8、总结

建议先从小规模开始，逐步引入工具、子智能体和文件系统，并编写清晰的提示词指导智能体“先想后做、不确定时提问、记录关键步骤”。关键操作加入人工审核，并针对不同任务选用不同模型以平衡效果与成本。通过这些改进，原有的工具循环型智能体将变得更耐心、稳定，能更好地完成复杂任务。

9、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】