Deep Agents：用于复杂任务自动化的 AI 代理框架

是不是很简单？这里创建的智能体其实就是一个 LangGraph 图，所以你可以像操作其他 LangGraph 智能体一样使用它（支持流式输出、人机交互、记忆功能、可视化调试等）。

深度定制你的智能体

create_deep_agent 函数有三个核心参数，让你可以打造专属的深度智能体。

工具集（必填）

第一个参数是 tools，传入一个工具列表。可以是普通函数，也可以是 LangChain 的 @tool 装饰器对象。主智能体和所有子智能体都能使用这些工具。

指令（必填）

第二个参数是 instructions，这会成为智能体提示词的一部分。不过别担心，框架本身已经内置了一套系统提示词，你的指令会和它组合使用。

子智能体（可选）

通过 subagents 关键字参数，你可以定义自定义的子智能体。为什么需要子智能体？下面会详细说明。

subagents 是一个字典列表，每个字典要包含：

class SubAgent(TypedDict):
    name: str  # 子智能体的名称
    description: str  # 描述信息，主智能体会看到
    prompt: str  # 子智能体专用的提示词
    tools: NotRequired[list[str]]  # 可用的工具列表

使用例子：

research_sub_agent = {
    "name": "research-agent",
    "description": "专门用来深度研究复杂问题",
    "prompt": sub_research_prompt,
}
subagents = [research_sub_agent]
agent = create_deep_agent(tools, prompt, subagents=subagents)

自定义模型（可选）

默认情况下，deepagents 使用的是 "claude-sonnet-4-20250514"。你也可以传入任何 LangChain 支持的模型。

比如想用 Ollama 的模型：

from deepagents import create_deep_agent
from langchain_ollama import init_chat_model

# 需要先安装：pip install langchain langchain-ollama
model = init_chat_model(model="ollama:gpt-oss:20b")
agent = create_deep_agent(
    tools=tools, instructions=instructions, model=model
)

深度智能体的核心组件

下面这些组件是 deepagents 内置的，正是它们让智能体能够处理复杂任务。

系统提示词

框架内置了一套详细的系统提示词。这套提示词主要参考了一些尝试复制 Claude Code 系统提示词的工作，但做得更通用一些。

这套提示词详细说明了如何使用内置的规划工具、文件系统工具和子智能体。没有这套提示词，智能体根本不可能有现在这么好的表现。好的提示词对于创建'深度'智能体来说，重要性怎么强调都不过分。

规划工具

内置了一个简单但有效的规划工具，灵感来自 Claude Code 的 TodoWrite 工具。这个工具本身不执行任何操作，它的作用是让智能体制定计划，然后把计划保留在上下文中，帮助智能体保持正确的执行轨迹。

文件系统工具

提供了四个内置的文件系统工具：ls、edit_file、read_file、write_file。

这些工具不是真的在操作文件系统，而是通过 LangGraph 的 State 对象模拟的。这意味着你可以在同一台机器上运行多个智能体，不用担心它们会互相干扰。

目前的'文件系统'只支持一级目录（没有子目录）。

你可以通过 LangGraph 状态对象的 files 键来传入和获取文件：

agent = create_deep_agent(...)
result = agent.invoke({"messages": ...})
# 通过这个键传入文件
# "files": {"foo.txt": "foo", ...}
# 处理完后获取文件
result["files"]

子智能体

框架内置了子智能体调用能力（同样基于 Claude Code 的设计）。

默认情况下，每个智能体都有一个 general-purpose 子智能体，它使用和主智能体相同的指令和工具。你也可以定义自定义子智能体，给它们专门的指令和工具。

子智能体的好处主要有两个：

1. 上下文隔离：避免污染主智能体的上下文
2. 专门指令：针对特定任务使用专门的提示词

配合 MCP 使用

deepagents 还可以和 MCP 工具配合使用，通过 Langchain MCP Adapter 库实现。

import asyncio
from langchain_mcp_adapters.client import MultiServerMCPClient
from deepagents import create_deep_agent

async def main():
    # 获取 MCP 工具
    mcp_client = MultiServerMCPClient(...)
    mcp_tools = await mcp_client.get_tools()
    # 创建智能体
    agent = create_deep_agent(tools=mcp_tools, ...)
    # 流式执行
    async for chunk in agent.astream({"messages": [{"role": "user", "content": "langgraph 是什么？"}]}, stream_mode="values"):
        if "messages" in chunk:
            chunk["messages"][-1].pretty_print()

asyncio.run(main())

后续计划

• 允许用户完全自定义系统提示词
• 代码优化（类型提示、文档字符串、格式化）
• 更强大的虚拟文件系统
• 创建基于这个框架的深度编程智能体示例
• 对深度研究智能体示例进行基准测试
• 为工具添加人机交互支持

结语

总的来说，deepagents 把一些高级智能体应用的核心技术民主化了，让普通开发者也能轻松构建出处理复杂任务的深度智能体。如果你正在寻找一个能够进行长期规划、多步骤执行的智能体框架，不妨试试这个项目。