LangChain DeepAgents 速通指南（五）—— 快速了解DeepAgents框架及其核心特性

大模型真好玩
0 阅读8分钟

前言

上篇文章《LangChain DeepAgents 速通指南（四）—— FileSystem中间件：让AI Agent拥有系统级记忆管理能力》深入探讨了LangChain的文件管理中间件。回顾整个系列，截至目前笔者已陆续讲解了四种关键中间件：Summarization（记忆管理中间件）、TodoList（任务规划中间件）、ToolSelector（工具选择中间件）以及FileSystem（文件管理中间件）。

这些中间件与LangChain的 create_agent API 相结合，共同构成了LangChain团队推出的深度框架——DeepAgents。借助这一框架，仅需数十行代码，大家便可构建出一个类似Claude Code的深度智能体，堪称未来开发中必须掌握的关键技术之一。

从本期内容开始，笔者将和大家一起系统学习DeepAgents框架的使用技巧。作为开篇，今天笔者先快速介绍DeepAgents框架的基本使用方法及其核心特性。

0.webp

一、为什么需要DeepAgents框架

当大家使用 LangChain 的 create_agent API 构建智能体时，其底层本质是利用 LangGraph 创建了一个 ReAct 图（不熟悉 ReAct 图的朋友，可以参考我的文章《深入浅出LangGraph AI Agent智能体开发教程（八）——LangGraph底层API实现ReACT智能体》）。在这种架构下，智能体会循环调用工具，直到问题解决——这其实是 Agent 最简单的工作模式。然而，这种简单的架构限制了 Agent 的“深度”，使其难以有效规划并执行更长时序、更复杂的任务。

3.png

如何解决构建复杂深度智能体的难题呢？LangChain 团队的 CEO Harrison Chase 从 Claude Code、Manus 等表现出色的深度智能体项目中汲取灵感，编写了最初的 DeepAgents 框架。其核心思路是将详尽提示、任务规划、子代理和文件系统四个能力相结合，推动 Agent 实现从“浅”至“深”的转变。该项目随后经过不断迭代完善，最终被纳入 LangChain 官方库，成为基于 LangChain 和 LangGraph 底层能力的开源框架。

1.png

DeepAgents 的核心思想其实非常直观：为了让智能体能够更深入地探讨并完成用户需求，它需要具备规划复杂解决方案、并在更长的时间范围内逐个解决子任务的能力，最终整合达成整体目标。DeepAgents 的核心优势，正是对以下四个基本能力的合理运用：

  1. 规划与任务分解能力
    DeepAgents 内置了 TodoList 和 File System 工具，使 Agent 能够将复杂任务拆解为离散步骤，实时跟踪进展，并根据新信息的出现动态调整计划。
  2. 上下文管理能力
    通过 File System 提供的 ls、read_file、write_file、edit_file 等工具，Agent 可以将复杂的上下文内容“卸载”到外部存储中，有效防止上下文窗口溢出。同时，借助 Summarization 记忆压缩中间件，Agent 可以灵活处理长度不确定的工具返回结果。
  3. 子代理生成能力
    DeepAgents 内置了 Task 工具，使主 Agent 能够针对特定任务动态生成子代理。这样一来，主 Agent 的上下文可以保持“干净”，同时又具备深入处理复杂子任务的能力。（子代理能力笔者会在后续章节详细展开讲解）
  4. 长期记忆能力
    利用不同类型的后端（Backend）进行信息存储，DeepAgents 可以将具备持久记忆的 Agent 扩展到跨线程场景。这意味着 Agent 能够保存并检索过往对话中的信息，为当前任务提供更智能的辅助。

二、DeepAgents快速上手：基本用法与核心特性

2.1 DeepAgents的定位

在具体实现上，大家可以直接导入 deepagents 包中的 create_deep_agent 函数，快速构建深度智能体。该函数本质上是对 LangChain 中 create_agent 函数的一层封装，额外配备了处理复杂任务所需的常用配置（例如笔者之前介绍过的各种中间件及内置函数）。

总体而言，create_agent 与 create_deep_agent 是两种形式相似但定位不同的创建方式，大家可以根据实际场景灵活选用：

  • 当面对简单任务时，直接使用 create_agent 即可快速满足需求。

  • 而 create_deep_agent 则更适合以下复杂场景：

    • 需要多步规划和拆解的多步骤任务；
    • 需要借助文件系统工具管理大量上下文的任务；
    • 需要将子任务委托给专门子代理（Sub-agent）执行的任务；
    • 需要跨对话、跨线程持久化保存记忆的任务。

2.2 DeepAgents的基本使用

下面笔者将通过一个具体案例，帮助大家快速上手并理解 DeepAgents 的用法。

  1. 环境配置：使用 Anaconda 创建虚拟环境，并在其中安装 deepagents 包：
conda create -n langchaindeepagents python=3.12
conda activate langchaindeepagents
pip install -U deepagents

2.png

  1. 创建项目文件：编写如下代码。这里笔者让 DeepAgents 协助撰写一份关于伊朗和美国文化的分析报告。模型同样使用 DeepSeek，并引入 rich 库来美化命令行输出（可通过 pip install rich 安装）：
from dotenv import load_dotenv
from deepagents import create_deep_agent
from langchain_deepseek import ChatDeepSeek
from deepagents.backends import FilesystemBackend

load_dotenv()

model = ChatDeepSeek(
    model="deepseek-chat",
)

  1. 使用 create_deep_agent 构建智能体： 该 API 有几个关键参数值得关注：

    • system_prompt：用户自定义的系统提示。DeepAgents 本身已配置了一段默认系统提示，用户提供的提示会被追加在其之前。
    • tools：与 create_agent 一致，接收一个工具对象列表。
    • backend：DeepAgents 默认集成了 File System 中间件，其后端配置可通过该参数直接传入。
    • subagents：DeepAgents 支持通过子智能体完成复杂任务，这些子智能体可以是由 LangChain 或 LangGraph 构建的智能体实例。
research_instruction = """
 你是一位从事国际关系研究的专家，能够分析不同国家的国情，并按照用户的要求生成报告
"""

agent = create_deep_agent(
    model=model,
    tools=[],
    system_prompt=research_instruction,
    subagents=[],
    backend=FilesystemBackend(root_dir="./test_dir", virtual_mode=True)
)
  1. 执行任务。笔者这里给智能体一个具体任务：“请分析伊朗和美国的国情，并帮我撰写一份1500字左右的为什么伊朗和美国会对立的报告”。DeepAgents 的执行方式与 create_agent 完全一致，这里采用流式输出，并借助 Rich 库优化显示效果，方便直观感受运行过程。（关于 LangChain 流式输出的更多细节，可参考文章《LangChain1.0速通指南（二）——LangChain1.0 create_agent api 基础知识》， 笔者之后也会撰写专门文章分析如何处理DeepAgents的流式输出）
for event in agent.stream(
    {"messages": [{"role": "user", "content": query}]},
    stream_mode="values"
):
    step_num += 1

    console.print(f"\n[bold yellow]{'─' * 80}[/bold yellow]")
    console.print(f"[bold yellow]步骤 {step_num}[/bold yellow]")
    console.print(f"[bold yellow]{'─' * 80}[/bold yellow]")

    if "messages" in event:
        messages = event["messages"]

        if messages:
            msg = messages[-1]

            # 保存最终响应
            if hasattr(msg, 'content') and msg.content and not hasattr(msg, 'tool_calls'):
                final_response = msg.content

            # AI 思考
            if hasattr(msg, 'content') and msg.content:
                # 如果内容太长,只显示前300字符作为预览
                content = msg.content
                if not (hasattr(msg, 'tool_calls') and msg.tool_calls):
                    preview = content
                    console.print(Panel(
                        preview,
                        title="[bold green]AI 思考[/bold green]",
                        border_style="green"
                    ))
                else:
                    console.print(Panel(
                        content,
                        title="[bold green]AI 思考[/bold green]",
                        border_style="green"
                    ))

            # 工具调用
            if hasattr(msg, 'tool_calls') and msg.tool_calls:
                for tool_call in msg.tool_calls:
                    tool_info = {
                        "工具名称": tool_call.get('name', 'unknown'),
                        "参数": tool_call.get('args', {})
                    }
                    console.print(Panel(
                        JSON(json.dumps(tool_info, ensure_ascii=False)),
                        title="[bold blue]工具调用[/bold blue]",
                        border_style="blue"
                    ))

            # 工具响应
            if hasattr(msg, 'name') and msg.name:
                response = str(msg.content)
                console.print(Panel(
                    response,
                    title=f"[bold magenta]工具响应: {msg.name}[/bold magenta]",
                    border_style="magenta"
                ))

console.print("\n[bold green]任务完成![/bold green]\n")

  1. 执行过程分析：一起来完整分析上述代码的执行步骤：

    • 收到任务后，智能体会首先调用 write_todos 工具，编写任务规划。

3.png

  • 随后，智能体按照规划列表开始执行。这里值得注意的是：虽然并未传入自定义的 subagents，但智能体在分析伊朗和美国国情时，感知到这两部分可以并行处理，于是自动调用 task 工具，利用当前 DeepSeek 模型开启了两个并行的子智能体同时进行资料整理。这正是 DeepAgents 框架的一大特色。

4.png

  • 完成相关子任务后，智能体会更新任务状态，将已完成项标记为 completed，并继续迭代，直至生成最终报告。

5.png

  • 最终生成的报告如下，DeepAgents还会进一步的审阅和修改报告，确保报告生成的完整性

6.png

以上就是本期分享的全部内容，本文的全部代码可关注笔者的同名微信公众号大模型真好玩，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

三、总结

本文分享了 LangChain DeepAgents 框架的诞生背景与核心优势，并通过实战案例演示了其快速上手的完整流程。可以看到，DeepAgents 在任务规划、上下文管理、子代理并行执行等方面展现出强大的能力，仅需少量代码即可构建复杂智能体。下一章节，笔者将深入探究 DeepAgents 中子智能体的运行机制，包括其创建方式、通信机制与任务委托流程，大家敬请期待~

本系列相关内容均列于笔者的专栏《深入浅出LangChain&LangGraph AI Agent 智能体开发》，该专栏适合所有对 LangChain 感兴趣的学习者，无论之前是否接触过 LangChain。该专栏基于笔者在实际项目中的深度使用经验，系统讲解了使用LangChain/LangGraph如何开发智能体，目前已更新 42 讲，并持续补充实战与拓展内容。欢迎感兴趣的同学关注笔者的掘金账号与专栏，也可关注笔者的同名微信公众号大模型真好玩，每期分享涉及的代码均可在公众号私信: LangChain智能体开发免费获取。

avatar
文章
阅读
粉丝