DeepAgents 快速上手教程

目标：让你在 60 分钟内，从 0 到能写出一个可用的 DeepAgents 应用（含工具、子代理、人工审批中断恢复、记忆、技能、流式输出）。

---

1. 先建立一个正确心智模型

一句话：

• DeepAgents：高层“开箱即用”Agent Harness（总控框架）
• LangChain：通用能力层（模型/工具/RAG/输出等积木）
• LangGraph：底层运行时（分支、回路、checkpoint、中断恢复）

1.1 先把 Harness 这个词讲透

Harness 可以理解为“总控壳 + 执行骨架”：
它不是单一功能库，而是把 Agent 需要的一整套机制（文件系统、工具、子代理、上下文治理、恢复机制）组织成一个可运行框架。

你可以把它类比成：

1. 不是“一个函数库”
2. 而是“一个可直接开工的运行底座”

1.2 和 Agent SDK 的类比（帮助你建立直觉）

相同点（心智接近）：

1. 都强调“任务驱动 + 工具调用 + 文件系统操作 + 长流程执行”
2. 都不是只回答问题，而是能执行多步任务
3. 都需要在复杂任务里做上下文治理和过程控制

区别点（定位不同）：

1. Claude Agent SDK / Codex SDK 更偏“可编程 Agent 能力接入”
2. DeepAgents 更偏“可编程的 Agent Harness”，你可以深度定制运行逻辑

1.3 竞品视角（2 个）

1. Claude Agent SDK
2. Codex SDK

1.4 房子比喻（你要求的版本）

1. LangChain 像“房子的零部件”：门、窗、管线、开关（模型、工具、RAG、Prompt 等能力件）
2. DeepAgents 像“毛坯房 + 施工总包框架”：基础结构先搭好，你可以按业务继续精装
3. LangGraph 像“承重结构和施工流程控制”：保证流程能稳定跑、能中断恢复

所以组合关系是：
你用 LangChain 选部件，用 LangGraph 保证结构稳定，用 DeepAgents 快速把“可住的房子”先搭起来。

1.5 Harness 理论（重点）

如果只会“调用模型”，那不是 Harness。
Harness 的核心是把复杂任务变成可控流程，最常见闭环是：

1. Plan（先规划）
   先拆任务、定边界、定验收标准，再开始执行。

2. Act（再执行）
   按计划调工具、读写文件、调用子代理，逐步推进。

3. Check（持续验证）
   每个阶段都做验证（测试、对账、规则校验），避免一路错到底。

4. Recover（可恢复）
   中断、超时、审批、重启后能从上一步继续，而不是重跑全流程。

一句话：
Harness = Plan-first + Tool-use + Verification + Recovery 的工程闭环。

flowchart TB
  A["DeepAgents（Harness）"] --> B["LangChain（能力积木）"]
  B --> C["LangGraph（运行时引擎）"]

你可以把 DeepAgents 理解成：
“把 LangChain + LangGraph 的常见 Agent 能力打包好了，你先用，再按需下沉定制。”

---

2. 你会学到什么（对应真实客服场景）

我们用这句用户话术贯穿全教程：

上周我买的一个耳机坏了

你会实现：

1. 接收用户输入并判断售后意图
2. 调工具查订单和质保
3. 信息不足时自动追问（多轮）
4. 高风险动作（退款）先人工审批（中断）
5. 审批后从上一步恢复继续执行（恢复）
6. 保存长期偏好/规则（记忆）

---

3. 10 分钟跑通第一个 Deep Agent

3.1 安装依赖

pnpm add deepagents langchain @langchain/core zod

如果你要联网搜索工具（Tavily）：

pnpm add @langchain/tavily

3.2 环境变量

# 二选一示例
setx OPENAI_API_KEY "your-api-key"
setx ANTHROPIC_API_KEY "your-api-key"

3.3 最小可运行代码

import { createDeepAgent } from 'deepagents'

const agent = createDeepAgent({
  // provider:model 形式，便于快速切模型
  model: 'openai:gpt-5.4',
  systemPrompt: '你是一个专业中文客服助手，回答准确、简洁。',
})

const result = await agent.invoke({
  messages: [{ role: 'user', content: '上周我买的一个耳机坏了，怎么办？' }],
})

console.log(result.messages[result.messages.length - 1]?.content)

---

4. 实战：耳机售后 Agent（工具 + 子代理）

下面这段是你可以直接改业务逻辑的骨架。

import { createDeepAgent } from 'deepagents'
import { tool } from 'langchain'
import { z } from 'zod'

// 1) 查订单工具：真实项目里这里接 OMS API
const queryOrder = tool(
  async ({ orderId }: { orderId: string }) => {
    // 示例：返回订单基本信息
    return {
      orderId,
      productName: '无线蓝牙耳机',
      purchaseDate: '2026-04-05',
      amount: 699,
    }
  },
  {
    name: 'query_order',
    description: '根据订单号查询订单详情',
    schema: z.object({
      orderId: z.string().describe('订单号'),
    }),
  },
)

// 2) 查质保工具：真实项目里这里接保修系统 API
const queryWarranty = tool(
  async ({ orderId }: { orderId: string }) => {
    return {
      orderId,
      inWarranty: true,
      policy: '15天换新 + 1年质保维修',
    }
  },
  {
    name: 'query_warranty',
    description: '查询订单是否在质保范围',
    schema: z.object({
      orderId: z.string().describe('订单号'),
    }),
  },
)

// 3) 创建售后工单工具
const createAfterSalesTicket = tool(
  async ({ orderId, reason }: { orderId: string; reason: string }) => {
    return {
      ticketId: `AS-${Date.now()}`,
      orderId,
      status: 'created',
      reason,
    }
  },
  {
    name: 'create_after_sales_ticket',
    description: '创建售后工单',
    schema: z.object({
      orderId: z.string(),
      reason: z.string(),
    }),
  },
)

// 4) 子代理：专门做政策判定，减少主代理上下文污染
const policySubagent = {
  name: 'policy-expert',
  description: '判断当前售后请求应该走退款、换货还是维修',
  systemPrompt: `你是售后政策专家。
先判断信息是否齐全（订单号、购买时间、故障描述）。
信息不齐请明确指出缺失字段，不要编造。
信息齐全后，给出建议路径：refund / replace / repair。`,
}

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  systemPrompt: `你是电商平台售后助手。
用户可能只说“耳机坏了”，你要主动收集必要信息后再决策。`,
  tools: [queryOrder, queryWarranty, createAfterSalesTicket],
  subagents: [policySubagent],
})

const result = await agent.invoke({
  messages: [{ role: 'user', content: '上周我买的一个耳机坏了' }],
})

console.log(result.messages[result.messages.length - 1]?.content)

---

5. 生产关键：人工审批中断与恢复（HITL）

你之前一直问 checkpoint，这块就是核心用法。

import { createDeepAgent } from 'deepagents'
import { tool } from 'langchain'
import { MemorySaver, Command } from '@langchain/langgraph'
import { v7 as uuid7 } from 'uuid'
import { z } from 'zod'

const refund = tool(
  async ({ orderId, amount }: { orderId: string; amount: number }) => {
    return `Refund submitted: ${orderId}, amount=${amount}`
  },
  {
    name: 'refund',
    description: '发起退款',
    schema: z.object({
      orderId: z.string(),
      amount: z.number(),
    }),
  },
)

const checkpointer = new MemorySaver()

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  tools: [refund],
  // 高风险工具启用人工审批
  interruptOn: {
    refund: { allowedDecisions: ['approve', 'reject', 'edit'] },
  },
  checkpointer, // HITL 必须有 checkpointer
})

const threadId = uuid7()
const config = { configurable: { thread_id: threadId } }

// 第一次调用：可能在 refund 前被中断
let result = await agent.invoke(
  {
    messages: [{ role: 'user', content: '给订单 A1001 退款 699 元' }],
  },
  config,
)

if (result.__interrupt__) {
  // 审批系统给出决定，这里示例“批准”
  const decisions = [{ type: 'approve' }]

  // 关键：用同一个 thread_id 恢复
  result = await agent.invoke(new Command({ resume: { decisions } }), config)
}

console.log(result.messages[result.messages.length - 1]?.content)

这段背后的业务意义

1. 第一次 invoke 走到敏感工具会暂停
2. 流程状态已进 checkpoint（可持久化到数据库/存储）
3. 审批完成后，用相同 thread_id + Command(resume)继续
4. 不会从头跑，直接从中断点继续

---

6. 记忆（Memory）与技能（Skills）

先记住这一句：
DeepAgents 的 5 个高频生产能力是 虚拟文件系统（VFS）/ 记忆 / 长期记忆 / Skills / 子代理。

6.0 虚拟文件系统（VFS）强解释

这是最容易被低估、但生产最关键的能力之一。

通俗讲：
VFS 就是“给 Agent 一块受控工作区”。
Agent 看起来在操作文件，其实是在你划定的安全边界内操作。

更关键的是：
这个“工作区”背后可以接不同存储，不只本地硬盘。

1. 本地目录（开发环境最常见）
2. 网络存储/对象存储（团队共享、跨机器）
3. 数据库存储（按租户/用户隔离，便于持久化与审计）
4. 组合后端（不同路径走不同存储）

这就是 DeepAgents 的便利点：
你上层 Agent 代码几乎不变，只换 backend，就能切换底层存储策略。

为什么重要：

1. 安全隔离：限制 Agent 只在指定目录活动
2. 可审计：它读了什么、写了什么可以追踪
3. 可恢复：中断后可以接着之前文件状态继续
4. 可组合：同一 Agent 可以看到不同“投影文件系统”（如 skills 只读区、KB 只读区）

代码示例 1（本地目录 VFS，开发最常用）：

import { createDeepAgent, FilesystemBackend } from 'deepagents'

const backend = new FilesystemBackend({
  rootDir: 'E:/agent-workspace',
  virtualMode: true, // 强制沙箱：路径被约束在 rootDir 下
})

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  backend,
})

代码示例 2（数据库/网络存储 VFS，生产常见）：

import { createDeepAgent, StoreBackend } from 'deepagents'
import type { BaseStore } from '@langchain/langgraph-checkpoint'

// 由你的基础设施提供：可接 Redis/DB/云存储封装后的 BaseStore
declare const myStore: BaseStore

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  store: myStore,
  // 通过 namespace 做租户/用户隔离（长期持久化）
  backend: () =>
    new StoreBackend({
      namespace: ['memories', 'org-001', 'user-1001', 'filesystem'],
    }),
})

代码示例 2.1（PostgreSQL 持久化示例，简化版）：

import { createDeepAgent, StoreBackend } from 'deepagents'
import type { BaseStore } from '@langchain/langgraph-checkpoint'
import { Pool } from 'pg'

// 1) 连接 PostgreSQL
const pool = new Pool({
  connectionString: process.env.PG_DSN, // 例如: postgres://user:pass@host:5432/agentdb
})

// 2) 你需要一个实现 BaseStore 的 PG 适配器（这里用伪代码表示）
class PgBaseStore implements BaseStore {
  constructor(private pool: Pool) {}
  // put/get/search/delete ...（按 BaseStore 接口实现）
}

const pgStore = new PgBaseStore(pool)

// 3) 把 PG Store 接到 DeepAgents 的 VFS 后端
const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  store: pgStore,
  backend: () =>
    new StoreBackend({
      store: pgStore,
      namespace: ['memories', 'org-001', 'user-1001', 'filesystem'],
    }),
})

这个示例的价值是：

1. 文件语义不变（Agent 仍按“读写文件”思考）
2. 底层改为 PostgreSQL 持久化（跨会话、跨实例）
3. 天然适合多租户隔离（通过 namespace 分租户/分用户）

代码示例 3（组合后端：热数据本地，长期记忆走持久化）：

import { createDeepAgent, CompositeBackend, FilesystemBackend, StoreBackend } from 'deepagents'
import type { BaseStore } from '@langchain/langgraph-checkpoint'

declare const myStore: BaseStore

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  store: myStore,
  backend: () =>
    new CompositeBackend(
      new FilesystemBackend({ rootDir: 'E:/agent-workspace', virtualMode: true }),
      {
        '/memories/': new StoreBackend({
          namespace: ['memories', 'org-001', 'user-1001', 'filesystem'],
        }),
      },
    ),
})

你可以把它类比前端：

1. 像给前端应用做了严格的“资源沙箱”
2. 不是不能读写，而是“只能在授权范围内读写”

6.1 记忆适合存什么

1. 用户偏好（例如“回复尽量简短”）
2. 业务固定规则（某品类优先换新）
3. 团队 SOP（投诉单必须升级）

6.1.1 记忆 vs 长期记忆（一定分清）

1. 会话记忆（短期）：当前任务上下文，任务结束后价值下降
2. 长期记忆（Long-term）：跨会话复用的稳定知识，如用户偏好、团队规则、领域事实

判断标准：
“下一次开新会话还要不要用到？”
要用到，就应该进长期记忆。

6.1.2 长期记忆为什么说“框架 API 很方便”

如果你手写，通常要自己做这几件事：

1. 读取记忆文件/数据库
2. 拼接进 system prompt
3. 处理多来源优先级
4. 保证跨会话可复用

DeepAgents 给你的便利 API：

1. memory: string[]：声明要加载的记忆文件路径
2. backend：决定这些记忆来自哪里（本地/数据库/组合）
3. store：接持久化存储（跨会话、跨线程）

你不用自己每轮手拼 prompt，框架会把 memory 作为上下文注入。

代码示例（长期记忆 + 客服场景）：

import { createDeepAgent, FilesystemBackend } from 'deepagents'

const backend = new FilesystemBackend({
  rootDir: 'E:/after-sales-agent',
  virtualMode: true,
})

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  backend,
  // 这些文件会在每次启动时被加载到上下文中
  memory: ['/memory/user-profile.md', '/memory/after-sales-policy.md'],
})

const result = await agent.invoke({
  messages: [{ role: 'user', content: '我耳机坏了，想处理售后' }],
})

这个例子里，user-profile.md 和 after-sales-policy.md 就是长期记忆载体：
下次新会话仍可复用，不需要每次重新喂给模型。

6.2 技能适合存什么

1. 某类任务的标准操作步骤（例如“退款审批话术”）
2. 某个外部系统的使用说明
3. 领域化专家指令（例如“质保判责规范”）

Skills 的核心价值：

1. 把“个人经验”变成“团队可复用能力包”
2. 让 Agent 在复杂任务里少走弯路
3. 保持输出风格和流程一致

DeepAgents 的优势是：
内建了文件系统语义，记忆和技能都能走统一的“文件 + 后端存储”模式。

代码示例（Skills 声明式加载）：

import { createDeepAgent, FilesystemBackend } from 'deepagents'

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  backend: new FilesystemBackend({ rootDir: 'E:/agent-workspace', virtualMode: true }),
  skills: ['/skills/common/', '/skills/after-sales/'],
})

6.3 子代理（SubAgents）什么时候必须用

子代理不是“炫技”，而是“降复杂度”工具。

适用场景：

1. 一个请求里存在明显不同职责（如政策判断、工单创建、风控审计）
2. 主代理上下文过大，开始出现混乱和成本上升
3. 希望每个角色有独立提示词和工具集

收益：

1. 上下文污染降低
2. 结果更稳定
3. 流程更可维护（类似前端把大组件拆成多个职责清晰的小组件）

代码示例（子代理最小声明）：

import { createDeepAgent } from 'deepagents'

const policySubagent = {
  name: 'policy-expert',
  description: '负责售后规则判定',
  systemPrompt: '你是售后政策专家，只做规则判断并返回可执行结论。',
}

const agent = createDeepAgent({
  model: 'openai:gpt-5.4',
  subagents: [policySubagent],
})

---

7. 实时流式输出（便于 UI 展示执行过程）

for await (const [namespace, chunk] of await agent.stream(
  {
    messages: [{ role: 'user', content: '帮我处理耳机售后并给出方案' }],
  },
  {
    streamMode: 'updates',
    subgraphs: true, // 包含子代理事件
  },
)) {
  const source = namespace.length > 0 ? `subagent:${namespace.join('|')}` : 'main'
  console.log(source, chunk)
}

你在前端里可以把这类事件渲染成“执行轨迹时间线”。

---

8. 常见坑（你一定会遇到）

1. interruptOn 配了但恢复失败
   原因：恢复时没用同一个 thread_id

2. 审批后状态丢失
   原因：没配置 checkpointer，或者 checkpointer 没持久化

3. 上下文爆炸、费用升高
   原因：子任务没下沉到 subagent，大量中间过程污染主上下文

4. 技能没生效
   原因：skills 路径/backend 映射错误，或技能描述太弱导致匹配不到

---

9. 60 分钟学习路线（建议）

1. 0-10 分钟：跑通第一个 createDeepAgent + invoke
2. 10-25 分钟：加 2 个工具（查订单/查质保）
3. 25-40 分钟：加 interruptOn + checkpointer + resume
4. 40-50 分钟：加 1 个 subagent 做政策判定
5. 50-60 分钟：接 stream，把执行过程打印出来

---

10. 什么时候该下沉到 LangChain / LangGraph？

1. 你要改模型策略、重试、输出结构、检索链路：下沉到 LangChain
2. 你要精细控制图路由、回边、复杂中断恢复：下沉到 LangGraph
3. 你要先把业务快速跑起来：优先 DeepAgents

---

11. 你现在可以直接做的下一步

1. 把你现有“耳机坏了”流程接成 3 个真实工具：query_order / query_warranty / create_ticket
2. 先只给 refund 加 interruptOn，打通审批恢复闭环
3. 再拆一个 policy-expert 子代理，让主代理只做协调

---

参考文档（官方）

• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…
• docs.langchain.com/oss/javascr…