本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
AI 智能体（Agents）已经将大型语言模型（LLMs） 的能力提升了一个台阶，而深度智能体（Deep Agents）又承诺，它不仅仅可以回答你的问题，而且还能够预先思考、分解任务、创建自己的待办事项（TODOs），甚至可以生成子智能体来完成工作，让 AI Agents的能力有提升了一个档次。
深度智能体是基于 LangGraph 构建的，LangGraph 是一个专门为创建能够处理复杂任务的智能体而设计的库。让我们了解下深度智能体，理解它们的核心能力，然后使用该库来构建我们自己的 AI Agents。
Deep Agents
LangGraph 为有状态的工作流提供了基于图（graph-based）的运行时，但你仍然需要从零开始构建自己的规划、上下文管理或任务分解逻辑。DeepAgents（基于 LangGraph 构建）则将规划工具、基于虚拟文件系统的内存和子智能体编排等功能开箱即用地打包在一起。
可以通过独立的 deepagents 库来使用深度智能体（Deep Agents）。它不仅包含了规划能力、还可以生成子智能体，同时利用文件系统进行上下文管理。它还能与 LangSmith 结合使用，用于部署和监控。本文中构建的智能体默认使用 “claude-sonnet-4-5-20250929” 模型，但可以根据需要进行自定义。在我们开始创建智能体之前，先来了解一下它的核心组件。
核心组件
- 详细的系统提示词（Detailed System Prompts）： 深度智能体使用带有详细说明和示例的系统提示词。
- 规划工具（Planning Tools）： 深度智能体内置了用于规划的工具，智能体使用 TODO 列表管理工具来实现规划。这有助于它们即使在执行复杂任务时也能保持专注。
- 子智能体（Sub-Agents）： 子智能体被用于处理委派的任务，它们在上下文隔离的环境中执行。
- 文件系统（File System）： 虚拟文件系统用于上下文管理和内存管理。这里的 AI 智能体将文件作为工具，在上下文窗口满时将上下文卸载到内存中。
Deep Agents 示例
让我们使用 deepagents 库来构建一个Research Agent，它将使用 Tavily 进行网络搜索，并具备深度智能体的所有组件。
环境准备
需要一个 OpenAI API 密钥来创建这个智能体，你也可以选择使用 Gemini/Claude 等其他模型提供商。请从以下平台获取你的 OpenAI 密钥：platform.openai.com/api-keys
同时，还要从这里获取用于网络搜索的 Tavily API 密钥：app.tavily.com/home
在 Google Colab 中打开一个新的 Notebook 并添加密文：
将密钥保存为 OPENAI_API_KEY 和 TAVILY_API_KEY 用于演示，并且不要忘记开启 Notebook 对这些密文的访问权限。
安装依赖库
!pip install deepagents tavily-python langchain-openai
我们将安装运行代码所需的这些库。
导入和 API 设置
import os
from deepagents import create_deep_agent
from tavily import TavilyClient
from langchain.chat_models import init_chat_model
from google.colab import userdata
# Set API keys
TAVILY_API_KEY = userdata.get("TAVILY_API_KEY")
os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")
我们将 Tavily API 密钥存储在一个变量中，并将 OpenAI API 密钥设置到环境变量中。
定义工具、子智能体和主智能体
# Initialize Tavily client
tavily_client = TavilyClient(api_key=TAVILY_API_KEY)
# Define web search tool
def internet_search(query: str, max_results: int = 5) -> str:
"""Run a web search to find current information"""
results = tavily_client.search(query, max_results=max_results)
return results
# Define a specialized research sub-agent
research_subagent = {
"name": "data-analyzer",
"description": "Specialized agent for analyzing data and creating detailed reports",
"system_prompt": """You are an expert data analyst and report writer.
Analyze information thoroughly and create well-structured, detailed reports.""",
"tools": [internet_search],
"model": "openai:gpt-4o",
}
# Initialize GPT-4o-mini model
model = init_chat_model("openai:gpt-4o-mini")
# Create the deep agent
# The agent automatically has access to: write_todos, read_todos, ls, read_file,
# write_file, edit_file, glob, grep, and task (for subagents)
agent = create_deep_agent(
model=model,
tools=[internet_search], # Passing the tool
system_prompt="""You are a thorough research assistant. For this task:
1. Use write_todos to create a task list breaking down the research
2. Use internet_search to gather current information
3. Use write_file to save your findings to /research_findings.md
4. You can delegate detailed analysis to the data-analyzer subagent using the task tool
5. Create a final comprehensive report and save it to /final_report.md
6. Use read_todos to check your progress
Be systematic and thorough in your research.""",
subagents=[research_subagent],
)
我们定义了一个用于网络搜索的工具，并将其传递给了我们的智能体。我们在这个演示中使用了 OpenAI 的 gpt-4o-mini 模型，你可以将其更改为任何其他模型。
另请注意，我们没有创建任何文件，也没有为上下文卸载所需的文件系统或 TODO 列表定义任何内容。这些功能都已在 create_deep_agent() 中预构建，并默认可供智能体访问。
运行
# Research query
research_topic = "What are the latest developments in AI agents and LangGraph in 2025?"
print(f"Starting research on: {research_topic}\n")
print("=" * 70)
# Execute the agent
result = agent.invoke({
"messages": [{"role": "user", "content": research_topic}]
})
print("\n" + "=" * 70)
print("Research completed.\n")
注意： 智能体的执行可能需要一些时间。
输出结果
# Agent execution trace
print("AGENT EXECUTION TRACE:")
print("-" * 70)
for i, msg in enumerate(result["messages"]):
if hasattr(msg, 'type'):
print(f"\n[{i}] Type: {msg.type}")
if msg.type == "human":
print(f"Human: {msg.content}")
elif msg.type == "ai":
if hasattr(msg, 'tool_calls') and msg.tool_calls:
print(f"AI tool calls: {[tc['name'] for tc in msg.tool_calls]}")
if msg.content:
print(f"AI: {msg.content[:200]}...")
elif msg.type == "tool":
print(f"Tool '{msg.name}' result: {str(msg.content)[:200]}...")
# Final AI response
print("\n" + "=" * 70)
final_message = result["messages"][-1]
print("FINAL RESPONSE:")
print("-" * 70)
print(final_message.content)
# Files created
print("\n" + "=" * 70)
print("FILES CREATED:")
print("-" * 70)
if"files"in result and result["files"]:
for filepath in sorted(result["files"].keys()):
content = result["files"][filepath]
print(f"\n{'=' * 70}")
print(f"{filepath}")
print(f"{'=' * 70}")
print(content)
else:
print("No files found.")
print("\n" + "=" * 70)
print("Analysis complete.")
正如我们所看到一样，这个智能体做得很好。它维护了一个虚拟文件系统，经过多次迭代后给出了响应，并认为自己应该是一个“深度智能体”。但我们的系统仍有改进的空间，让我们看看下一节中可以进行哪些改进。
我们构建了一个简单的深度智能体，如果你感兴趣的话，可以基于此并构建出更好的东西。以下是可以改进这个智能体的一些方法：
- 使用长期记忆（Long-term Memory）： 深度智能体可以将用户偏好和反馈保存在文件（
/memories/）中。这将帮助智能体给出更好的答案，并从对话中建立知识库。 - 控制文件系统（Control File-system）： 默认情况下，文件存储在虚拟状态中，你可以使用
deepagents.backends中的FilesystemBackend将其更改为不同的后端或本地磁盘。 - 优化系统提示词（Refining the System Prompts）： 你可以测试多个提示词，看看哪个最适合你的需求。
成功构建了我们的深度智能体，现在可以看到 AI 智能体如何能够利用 LangGraph 来处理任务，将 LLM 的能力提升一个台阶。凭借内置的规划、子智能体和虚拟文件系统，它们能够顺畅地管理 TODO 列表、上下文和研究工作流。深度智能体功能强大，但也要记住，如果一个任务更简单，可以通过一个简单的智能体或 LLM 来完成，那么就不建议使用深度智能体。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
