langchain 发布深度智能体框架deepagents! 让智能体不再“浅尝辄止”

LLM大模型
524 阅读5分钟

langchain 发布深度智能体框架deepagents! 让智能体不再“浅尝辄止”

很多人做智能体时，会用“大模型 + 循环调用工具”的最简单架构。它好用，但常常很“浅”，一遇到复杂、长链路任务就容易跑偏、忘事、或停在半路。【AI大模型教程】

像 Deep Research、Manus、Claude Code 这类“深度”智能体，是怎么补上的？核心其实就四件事：

  • 规划工具：先想清楚要做什么，再一步步做。
  • 子智能体：把复杂任务拆给更专精的小助手。
  • 文件系统：能读写文件，保留中间成果和上下文。
  • 详细提示词：把工作方法讲清楚，少走弯路。

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。

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

一个简洁的入门示例

import osfrom typing import Literalfrom tavily import TavilyClientfrom deepagents import create_deep_agenttavily_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）。

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：

  1. 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])
  1. 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_agentcustom_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])

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_agentfrom langchain.chat_models import init_chat_modelmodel = 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],)

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, ...)

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。

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。

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。

avatar
文章
阅读
粉丝