DeepAgents是LangChain团队推出的智能体框架旨在简化复杂智能体的开发。它将任务规划、子代理管理、文件系统等通用能力封装为内置组件通过create_deep_agent函数开发者只需数行代码即可搭建功能强大的智能体。本文详细介绍了DeepAgents的核心原理、代码示例及设计思想展示了其如何实现“搭积木式”开发为读者提供了构建复杂智能体的实用指南。1.1 DeepAgents框架开发溯源大家平时接触最多的智能体通常是这样工作的让大语言模型在一个循环里反复推理、调用工具直到完成任务。这种模式在简单场景下很管用可一旦任务变得复杂就会出现很大问题 例如步骤不合理、工具调用出错、对话上下文越积越多导致混乱甚至智能体自己都忘了要干什么。在LangChain生态中要解决这个问题通常需要大家使用LangGraph从零搭建工作流精确控制每一步是让 AI 自己决策还是走固定流程也能选择不同的思考模式比如 ReAct 或“先计划后执行”。但这种灵活性的代价就是代码复杂上手门槛高作为全世界最懂智能体开发的LangChain团队也敏锐的注意到这个问题开发了框架DeepAgents截止目前版本为0.4.3。 它的核心思想很简单把那些让智能体变得“聪明”的通用能力——比如做计划、记笔记、分工协作——都打包好让大家开箱即用。这样大家只需要关注自己的业务逻辑甚至只需要几行代码就能快速搭建出能处理复杂、多步骤、长时间任务的智能体。1.2 DeepAgents框架定位要理解 DeepAgents先要理清它和 LangChain、LangGraph 的关系。打个比方LangGraph就像智能体的“操作系统内核”负责底层的工作流调度、状态持久化和监控。LangChain基于LangGraph内核的“高级开发工具包”提供了很多现成的函数比如 create_agent和组件让大家写代码更顺手。DeepAgents在 LangChain 的便利接口和 LangGraph 的强大运行时之上又盖了一层“智能模块”——比如任务规划、文件系统、长期记忆、多智能体协作等。它的核心函数 create_deep_agent其实就是给 LangChain 的标准智能体加上了这些模块。理解了DeepAgents/LangChain/LangGraph三者的分层定位笔者建议大家根据实际需求情况选择合适框架开发对于一些简单步骤的任务直接使用LangChain 1.0提供的create_agent。对于一些需要精细控制的定制化需求使用LangGraph 1.0自定义工作流程实现。对于一些需要构建复杂的多步骤、长时间运行的Agent并希望拥有任务规划、文件系统、长期记忆等能力时考虑DeepAgents。1.3 DeepAgents核心原理DeepAgents的核心原理其实非常直观。大家可以借助大家熟悉的复杂任务智能体如Claude Code等编程智能体来理解它们通常都具有自主制定计划、保存中间结果并能够调用子智能体协助完成任务等共性能力。DeepAgents正是将这些共性能力进行了抽象和封装形成了一系列预置组件。这些组件以中间件和内置工具的形式实现提供了任务规划、上下文管理、子代理生成和长期记忆等核心功能。此外DeepAgents还专门设计了文件系统用于高效管理大量的中间结果与上下文信息。以上所有功能都已集成在create_deep_agentSDK 中开发者可以快速调用轻松构建功能强大的复杂智能体。二、 DeepAgents 代码示例讲解理论的讲解总归还是有点虚为了让大家更直观地体验DeepAgents的优点笔者这里选用DeepAgents官方的一个deep_research案例来感受DeepAgents的强大功能——仅需数十行代码即可完成DeepResearch智能体的相关构建。2.1 代码概览先整体看一下这段代码。它创建了一个能够进行深度研究的智能体Research Agent该智能体不仅自己能使用搜索和思考工具还可以动态委派子任务给专门的研究子智能体sub‑agent。整个脚本结构清晰核心逻辑都封装在create_deep_agent函数中。from datetime import datetime from langchain.chat_models import init_chat_model from langchain_google_genai import ChatGoogleGenerativeAI from deepagents import create_deep_agent from research_agent.prompts import ( RESEARCHER_INSTRUCTIONS, RESEARCH_WORKFLOW_INSTRUCTIONS, SUBAGENT_DELEGATION_INSTRUCTIONS, ) from research_agent.tools import tavily_search, think_tool # 并发与迭代限制 max_concurrent_research_units 3 max_researcher_iterations 3 # 当前日期用于提示词中的时间信息 current_date datetime.now().strftime(%Y-%m-%d) # 组合主智能体的系统提示词 INSTRUCTIONS ( RESEARCH_WORKFLOW_INSTRUCTIONS \n\n * 80 \n\n SUBAGENT_DELEGATION_INSTRUCTIONS.format( max_concurrent_research_unitsmax_concurrent_research_units, max_researcher_iterationsmax_researcher_iterations, ) ) # 定义研究子代理 research_sub_agent { name: research-agent, description: Delegate research to the sub-agent researcher. Only give this researcher one topic at a time., system_prompt: RESEARCHER_INSTRUCTIONS.format(datecurrent_date), tools: [tavily_search, think_tool], } # 选择底层大模型此处使用 Claude 4.5Gemini 3 备选 # model ChatGoogleGenerativeAI(modelgemini-3-pro-preview, temperature0.0) model init_chat_model(modelanthropic:claude-sonnet-4-5-20250929, temperature0.0) # 创建深度智能体 agent create_deep_agent( modelmodel, tools[tavily_search, think_tool], system_promptINSTRUCTIONS, subagents[research_sub_agent], )2.2 核心组件解析上述代码虽短却完整地构建了一个具备任务规划、子代理委派和内置思考能力的复杂研究智能体。下面笔者将逐一拆解其关键部分。2.2.1create_deep_agent一切智能体的起点create_deep_agent是DeepAgents框架提供的核心工厂函数。它接受一个基础模型、工具列表、系统提示词和子智能体列表返回一个开箱即用的深度智能体。这个智能体内部已经集成了任务规划器将复杂任务拆解为可执行的步骤。文件系统管理中间结果和上下文防止对话过长导致混乱。子智能体管理器负责子智能体的创建、通信和结果汇总。长期记忆跨对话保存重要信息。开发者完全不需要关心这些底层逻辑的实现只需像搭积木一样传入配置即可。2.2.2 系统提示词赋予智能体“灵魂”提示词的设计是智能体行为的关键。主智能体的系统提示词由三部分拼接而成RESEARCH_WORKFLOW_INSTRUCTIONS定义研究工作的整体流程例如如何规划、如何组织搜索结果。SUBAGENT_DELEGATION_INSTRUCTIONS规定了子智能体的委派规则其中动态插入了并发限制和最大迭代次数。这让子智能体知道它可以同时运行最多3个研究单元每个研究任务最多迭代3次。子智能体的提示词RESEARCHER_INSTRUCTIONS还嵌入了当前日期确保研究过程中能够感知时间上下文例如搜索“今年的诺贝尔奖得主”时能正确理解“今年”。2.2.3 子智能体分工协作的体现research_sub_agent是一个典型的子智能体定义。它包含name唯一标识用于在主智能体中调用。description描述子代理的功能主智能体通过阅读理解这段描述来决定何时委派任务。system_prompt子智能体自身的系统提示词专注于研究任务。tools子智能体可用的工具此处与主智能体一样拥有搜索和思考能力。这种设计完美体现了第一章提到的“多智能体协作”原理主智能体负责全局规划与调度子代理专注于单一研究主题各自分工最终汇总成果。当然除了通过传入配置方式构建子智能体外大家也可将使用LangChaincreate_agent创建的智能体或使用LangGraphcompile后的智能体作为子智能体传入。2.2.4 工具扩展智能体的能力边界本例中使用了两个工具tavily_search一个专为大模型优化的搜索引擎工具能够返回干净、结构化的搜索结果。think_tool一个思考工具在每次搜索后使用此工具以系统性地分析结果并规划后续步骤。这能在研究工作流中创建刻意暂停以便进行高质量的决策。DeepAgents框架允许开发者自由注册任何自定义工具进一步扩展智能体的能力。2.3 DeepAgents设计思想与原理从这段代码可以很好的体现DeepAgents三大设计原则封装通用能力、简化开发、模块化组合。封装通用能力任务规划、子代理管理、文件系统等复杂逻辑全部隐藏在create_deep_agent内部开发者无需编写任何LangGraph节点和边的代码。简化开发原本需要数百行LangGraph代码才能实现的深度研究智能体现在只需几十行配置即可完成。开发者只需关注提示词工程和工具定义。模块化组合主智能体、子智能体、工具都是独立模块可以像搭积木一样自由组合、复用。大家可以为其他领域如数据分析、代码生成定义不同的子代理轻松扩展智能体的能力。笔者通过LangChain的agent.get_graph().draw_mermaid_png()展示DeepAgents构造的deepresearch智能体的图结构可以看到该图同样是ReACT的经典结构并通过PathToolCallsMiddleware,SummarizationMiddleware等中间件扩展了LangChain create_agent的能力。2.4 运行效果与扩展思考下面通过一个具体示例展示DeepAgents的运行效果。假设用户提出如下请求research context engineering approaches used to build AI agents研究用于构建AI代理的上下文工程方法result agent.invoke( { messages: [ { role: user, content: research context engineering approaches used to build AI agents, } ], }, ) format_messages(result[messages])1. 任务规划 DeepAgents首先接收用户的研究请求并调用内置的write_todos工具生成任务计划。每个任务项都带有状态标记例如第一步是“设计研究请求”并将该计划保存至research_request.md文件中。2. 逐步执行与状态更新智能体每完成一个步骤都会再次调用write_todos工具更新对应任务的状态为completed然后自动进入下一步。如图所示下一步计划是调用一个子智能体来获取具体的研究内容3. 结果汇总与输出当所有计划任务完成后智能体将更新最终的待办列表并使用write_file工具将整理好的研究报告写入final_report.md文件中上述示例中涉及的write_todos、task、write_file等工具均已内置在DeepAgents中。用户只需输入简单的需求智能体便会自动调用相应工具和文件系统来完成整个任务。由此可见DeepAgents真正实现了“让复杂智能体的开发像搭积木一样简单”。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2026最新大模型全套学习资源》包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】