大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



随着AI Agent任务复杂度每7个月翻倍，传统的"LLM循环调用工具"模式开始显露出成本高、可靠性差的问题。LangChain DeepAgents应运而生——一个开源的Agent框架，让开发者能够构建类似Claude Code的强大Agent。

DeepAgents是LangChain推出的一个Agent框架（agent harness），它基于LangGraph构建，专为处理复杂、多步骤、长时程任务而设计。它的核心理念源自行业领先的Agent应用，但完全开源且高度可定制。

核心特点一览

DeepAgents采用了清晰的分层架构，让开发者可以在不同抽象层次上进行定制：

┌─────────────────────────────────┐│ DeepAgents (Agent Harness) │ ← 内置规划、文件系统、子Agent│ │├─────────────────────────────────┤│ LangChain (Agent Framework)│ ← Agent核心循环、工具抽象│ │├─────────────────────────────────┤│ LangGraph (Agent Runtime) │ ← 图执行引擎、状态管理└─────────────────────────────────┘ 

三者的关系：

• LangGraph: 提供底层的图执行和状态管理能力
• LangChain: 提供Agent的基础循环逻辑和工具集成
• DeepAgents: 在前两者基础上，提供开箱即用的高级能力（规划、文件系统、子Agent等）

何时选择DeepAgents？

1. 智能任务规划

DeepAgents内置了write_todos和read_todos工具。有趣的是，这个工具本质上是个”no-op”（不执行实际操作），但它却能显著提升Agent的任务分解能力。

工作原理：

• Agent在执行前先创建TODO列表
• 将复杂任务分解为离散步骤
• 跟踪进度并动态调整计划
• 在完成后标记任务

这种”自我规划”机制让Agent能够处理跨越数十次工具调用的长期任务。

2. 灵活的文件系统后端

DeepAgents支持多种文件系统后端，解决了上下文窗口溢出的难题：

实战案例：

from deepagents import create_deep_agentfrom deepagents.backends import CompositeBackend, StateBackend, StoreBackend# 混合后端：工作文件临时，记忆持久化agent = create_deep_agent( backend=CompositeBackend( default=StateBackend(), # 默认临时存储 routes={“/memories/”: StoreBackend()} # /memories/下持久化 )) 

3. 子Agent委托机制

通过内置的task工具，主Agent可以生成专门的子Agent来处理特定子任务，实现上下文隔离和并行执行。

生命周期：

主Agent → 生成子Agent → 子Agent独立执行 → 返回结果 → 主Agent整合 

自定义子Agent示例：

research_subagent = { “name”: “research-agent”, “description”: “用于深度研究问题”, “system_prompt”: “你是一个专业研究员…”, “tools”: [internet_search], “model”: “openai:gpt-4o” # 可选，默认使用主Agent模型}agent = create_deep_agent(subagents=[research_subagent]) 

4. 长期记忆能力

通过CompositeBackend和StoreBackend的组合，Agent可以跨会话保持记忆：

# 用户偏好持久化示例agent = create_deep_agent( backend=CompositeBackend( default=StateBackend(), routes={ “/memories/”: StoreBackend(store=InMemoryStore()), “/preferences/”: StoreBackend(), “/knowledge/”: StoreBackend() } )) 

应用场景：

• 跨会话保存用户偏好
• 构建知识库
• 基于反馈自我改进
• 保持研究进展

DeepAgents开箱即带12+个专业工具，全部由中间件自动注入：

自动功能：

• 大结果（>20K tokens）自动保存到文件
• 上下文超170K自动摘要（保留最后6条消息）
• Anthropic模型自动启用Prompt缓存

# 1. 安装pip install deepagents tavily-python# 2. 定义工具import osfrom deepagents import create_deep_agentfrom tavily import TavilyClienttavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])def internet_search(query: str, max_results: int = 5): """运行网络搜索""" return tavily_client.search(query, max_results=max_results)# 3. 创建Agentagent = create_deep_agent( tools=[internet_search], system_prompt="进行深度研究并撰写专业报告。",)# 4. 执行任务result = agent.invoke({ "messages": [{"role": "user", "content": "LangGraph是什么？"}]}) 

就这么简单！Agent会自动：

• 规划研究步骤（使用TODO工具）
• 搜索多个来源
• 将大量结果保存到文件
• 必要时生成子Agent进行深度分析
• 最终整合成报告

自定义系统Prompt

DeepAgents的系统Prompt采用分层设计：

┌──────────────────────────────────┐│ 中间件自动注入的默认指令 │ ← 工具使用说明、**实践├──────────────────────────────────┤│ 你的自定义system_prompt │ ← 领域特定工作流、示例└──────────────────────────────────┘ 

编写自定义Prompt的原则：

应该做：

• 定义特定领域的工作流（如研究方法论）
• 提供具体用例的示例
• 添加专业指导（如"将相似研究任务批处理到单个TODO"）
• 定义停止标准和资源限制
• 解释工具如何在你的工作流中协同

不应该做：

• 重复解释标准工具功能（已由中间件覆盖）
• 复制中间件已有的工具使用指令
• 与默认指令相矛盾

人机协同工作流

对于敏感操作（如文件删除、API调用），可配置人工审批：

@tooldef delete_file(path: str) -> str: """删除文件""" os.remove(path) return f"已删除 {path}"agent = create_deep_agent( tools=[delete_file], interrupt_on={ "delete_file": { "allowed_decisions": ["approve", "edit", "reject"] } }) 

Agent会在执行敏感工具前暂停，等待用户的approve/edit/reject决策。

自定义中间件

通过中间件扩展Agent能力：

from langchain_core.tools import toolfrom deepagents import create_deep_agentfrom langchain.agents.middleware import AgentMiddleware@tooldef get_weather(city: str) -> str: """获取城市天气""" returnf"{city}的天气晴朗。"class WeatherMiddleware(AgentMiddleware): tools = [get_weather] def before_call(self, state): # 在每次LLM调用前执行 print("准备查询天气...") return stateagent = create_deep_agent(middleware=[WeatherMiddleware()]) 

1. 深度研究Agent

research_agent = create_deep_agent( tools=[internet_search, web_fetch], system_prompt=“”” 你是专业研究员。 1. 使用write_todos规划多步研究 2. 并行搜索多个来源 3. 将原始数据保存到/research/目录 4. 生成research-agent子Agent进行深度分析 5. 整合成结构化报告 “”“, subagents=[deep_research_subagent]) 

2. 代码助手Agent

coding_agent = create_deep_agent( backend=FilesystemBackend(root_dir=”/workspace”), tools=[run_tests, format_code], system_prompt=“”” 你是高级编程助手。 - 使用ls和read_file理解项目结构 - 用edit_file进行精确代码修改 - 执行测试验证更改 - 在/workspace操作真实文件 “”“) 

3. 数据分析Agent

analysis_agent = create_deep_agent( tools=[query_database, plot_chart], system_prompt=”“” 你是数据科学家。 1. 规划分析步骤（EDA → 建模 → 可视化） 2. 将中间结果保存到/data/目录 3. 生成可复现的分析报告 “”“) 

1. 中间件驱动架构

DeepAgents的所有核心功能都通过中间件实现，这种设计带来了：

• 模块化: 每个功能独立，易于理解和维护
• 可组合性: 自由组合不同中间件
• 可扩展性: 第三方可轻松开发新中间件

2. “信任LLM”安全模型

与传统的”不信任LLM”方法不同，DeepAgents采用：

• 边界在工具层：安全检查在工具和沙箱层面实施
• 不期望LLM自我审查：LLM可执行任何工具允许的操作
• 适合受控环境：适用于企业内部、个人项目等可信场景

3. 上下文管理策略

通过三层机制解决上下文窗口限制：

1. 文件系统卸载: 大结果自动保存到文件（>20K tokens）
2. 自动摘要: 上下文超170K时压缩历史（保留最近6条）
3. 子Agent隔离: 通过子Agent实现上下文分片

DeepAgents内置多项优化措施：

DO（推荐做法）

1. 批量实现变更: 将相关修改组织成3-10个一批，方便调试
2. 使用子Agent隔离: 复杂子任务委托给专门子Agent
3. 定义清晰停止标准: 在system_prompt中明确任务完成条件
4. 利用文件系统: 将中间结果持久化，避免重复计算
5. 配置人工审批: 敏感操作使用interrupt_on

DON’T（避免做法）

1. 不要重复中间件指令: 默认指令已覆盖工具使用
2. 不要过度依赖LLM自我限制: 安全边界应在工具层
3. 不要在系统Prompt中硬编码示例: 使用few-shot示例功能
4. 不要忽略批处理: 大量修改应分批执行
5. 不要混淆LangGraph与DeepAgents: 前者是底层，后者是高层抽象

• GitHub仓库: langchain-ai/deepagents
• 官方文档: docs.langchain.com/deepagents
• 快速示例: deepagents-quickstarts
• CLI工具: 提供交互式命令行界面
• LangSmith集成: 支持可观测性与部署

DeepAgents的出现，标志着AI Agent从”工具执行者”向”自主规划者”的进化。它不仅是一个框架，更是一种构建复杂Agent的方法论

如果你正在构建需要深度思考、多步骤推理的AI应用，DeepAgents绝对值得一试。它开源、灵活、强大，让每个开发者都能打造属于自己的”Claude Code”。

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

学习路线

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集