基于LangGraph开箱即用的深度智能体框架，集成子代理、文件系统、上下文管理与可观测性

方案简介

Deep Agents 是一个开源的 agent harness（智能体运行框架），定位为「自带电池」的、开箱即用的、带有明确主张的智能体。它解决了从零搭建长程、多步骤智能体时需要自行拼装文件系统、子代理、上下文管理等组件的问题。

它构建在 LangGraph 之上，天然继承流式输出、持久化和检查点能力，并可与 LangSmith 搭配实现追踪、评估与监控部署。模型层面完全无关，任何支持工具调用的 LLM（前沿 API、开源权重模型、本地模型）都可以接入。

适合以下人群：

• 想要规划、上下文管理、任务委派等完整能力开箱即用的开发者
• 需要快速构建研究助手、编码智能体等长程任务代理的团队
• 希望在最小化 harness 与完整 harness 之间按需选层的 LangChain 生态用户

亮点与能力

• 子代理（Sub-agents）：将任务委派给拥有隔离上下文窗口的代理
• 文件系统（Filesystem）：对可插拔的本地、沙箱或远程后端进行读取、写入、编辑和搜索
• 上下文管理：总结长对话线程，并将工具输出转存到磁盘
• Shell 访问：在你选择的沙箱中运行命令
• 持久记忆：可插拔的状态与存储后端，支持跨会话记忆
• 人机协同：在工具调用执行前进行批准、编辑或拒绝
• 技能（Skills）：代理可按需加载的可复用行为
• 工具（Tools）：支持自定义函数或任意 MCP 服务器

组成与分工

• Deep Agents：有主张的智能体 harness，捆绑文件系统、子代理、上下文管理和技能
• LangGraph：图运行时（graph runtime），提供流式输出、持久化与检查点
• LangChain：提供 create_agent 最小 harness 与统一的聊天模型接口，Deep Agents 建立在其之上
• LangSmith：用于开发、调试、部署的追踪、评估与监控平台
• LLM（如 OpenAI、Ollama、vLLM 等）：任意支持工具调用的模型，作为智能体的大脑
• uv：Python 包管理器，用于安装 deepagents 包

前置要求

• Python 环境，使用 uv 作为包管理器
• 任意支持工具调用的 LLM 访问途径，例如：
• 前沿 API：OpenAI、Anthropic、Google
• 开源权重托管：Baseten、Fireworks
• 自托管：Ollama、vLLM、llama.cpp

安装命令：
bash
uv add deepagents

实施步骤

1. 安装 deepagents

bash
uv add deepagents

2. 创建智能体

使用 create_deep_agent 创建一个智能体，指定模型、自定义工具和系统提示词：

python
from deepagents import create_deep_agent

agent = create_deep_agent(
model="openai:gpt-5.5",
tools=[my_custom_tool],
system_prompt="You are a research assistant.",
)

3. 运行智能体

调用 invoke 即可让智能体完成长程任务。它会自行规划、读写文件并管理自己的上下文：

python
result = agent.invoke({"messages": "Research LangGraph and write a summary"})

之后可继续添加自己的工具、更换模型、定制提示词、配置子代理等，进一步扩展能力。

使用与配置要点

• 模型更换：将 model 参数换成任意 LangChain 聊天模型，包括自托管的 Ollama、vLLM 或 llama.cpp 模型
• 扩展与替换：可在不 fork 的前提下 override 或替换任何部件
• 接入自定义编排：任何 LangGraph CompiledStateGraph 都可作为子代理传入 Deep Agent，自定义编排可与 harness 默认能力并行工作
• 生产部署：配合 LangSmith 进行追踪、评估与监控
• 终端编码代理：可安装 Deep Agents Code 获得类似 Claude Code / Cursor 的终端编码体验：

bash
curl -LsSf https://langch.in/dcode | bash

注意事项与常见问题

• 安全模型：Deep Agents 遵循「信任 LLM」模型，代理可以做其工具允许的任何事。安全边界应在工具/沙箱层面强制执行，而不是指望模型自我约束
• 分层选择：想要完整 harness（规划、上下文管理、委派）用 Deep Agents；只要轻量 harness 用 LangChain 的 create_agent；需要自定义图结构时直接用 LangGraph

优缺点

• ✓ 可换任意支持工具调用的模型
• ✓ 生产级持久化与可观测
• ✕ 信任LLM模型，需在工具/沙箱层限制

出处

本方案挖掘自开源项目 langchain-ai/deepagents，方案内容与实施命令均来自其 README 原文。