你的Agent为何如此愚蠢？顶级AI应用的秘密，都在这套“Deep Agents”架构里！

今天给家人们分享一些“真”Agent实操经验~

你们有没有觉得，自己按照各种教程搭出来的的AI Agent总是有点智障？

让它干点复杂任务，分分钟就把自己绕晕了。

为什么像 Manus、Claude Code 这样的顶级应用如此强大？

难道只是因为他们提前做了一个TODOLIST吗？

我们需要知道一个新的概念： 我们要做 Deep Agent 而非 Shallow Agent。

告别“浅层”，拥抱“深度”

大多数人构建Agent的方式，说白了就是一个LLM在循环调用工具。 ReAct的模式。

这个模式很简单，但天花板也极低。一旦任务复杂、时间一长，它就彻底懵圈，因为它缺乏长期规划和复杂任务的拆解能力。

这可能就是Shallow Agent，或者叫浅层智能体。

而像 Claude Code 和 OpenAI 的 Deep Research 这样的应用，之所以能处理复杂的编码和研究任务，就是在简单的循环之上，需要做更多的事情~

一个标准的深度Agent架构应该长虾米那这个样子。

秘密一：冗长又啰嗦的System Prompt

Prompt工程远未过时！

Claude Code的系统提示词，早就被hack出来了。它长得离谱，里面包含了大量关于如何使用工具的详细指令，甚至还有各种情况下的 Few-shot 示例。

​​https://github.com/kn1026/cc/blob/main/claudecode.md​​

1700行的Prompt， 这证明了，想让AI干好活，就不能怕啰嗦，必须把规则和期望喂到它嘴里。

秘密二：一个什么都不做的规划工具

这是最有意思的一点。

Claude Code 有一个“待办事项(Todo list)”工具，但这玩意儿其实是个“空操作”！

也就是说，Agent调用了它，但它实际上什么也没执行，只是把“我要做A、B、C”这个想法返回给了Agent自己。

这是在干嘛？其实这是一种上下文工程（Context Engineering）技巧。

通过让Agent“假装”在规划和列清单，强制它在行动前思考和拆解任务，从而把规划步骤保留在上下文中，引导后续的每一步行动。

​​https://claudelog.com/faqs/what-is-todo-list-in-claude-code​​

说白了，就是给Agent装了个思考辅助器，让它自己跟自己对齐。

秘密三：委派任务的Sub Agents

顶级应用从不指望一个Agent干所有事。

Claude Code可以根据任务派生出专门的Sub-agents。比如，一个主Agent Orchestrator负责整体协调，然后把代码编写、文件检索等具体任务外包给不同的专家子Agent。

这样做的好处是 上下文隔离。每个子Agent只专注于自己的小任务，不会被全局的复杂信息干扰，从而能更深入地解决特定问题。

秘密四：作为“共享记忆”的文件系统

对于需要长时间运行的复杂任务，上下文窗口是远远不够的。所以，深度智能体必须能读写文件系统。

文件系统不仅是最终交付代码的地方，更是一个持久化的“草稿纸”和“共享工作区”。

主Agent和子Agent都可以随时把中间结果、笔记、思考过程写入文件，需要时再读出来。这解决了Agent 记忆太短的问题，让长期、多步的协作成为可能。

最后

光说不练假把式。为了让大家能快速上手这套架构，周末肝了一个开源包 deepagents，把上面这四套核心机制都封装好了。

你可以用 ​​pip install deepagents​​ 安装。

内置了受Claude Code启发的系统提示、Todo规划工具、派生子Agent的能力，甚至还有一个虚拟文件系统，让你安全地在内存中读写文件。

from deepagents import create_deep_agent

# 定义Agent可以使用的工具
tools = [your_custom_tool1, your_custom_tool2]

# 为Agent创建指令
instructions = "你是一位专家研究员。你的工作是..."

# 创建Agent
agent = create_deep_agent(tools, instructions)

# 调用Agent
result = agent.invoke({"messages": [{"role": "user", "content": "你的任务"}]})

有了这个轮子，我们就可以把精力放在定义自己的指令、工具和子代理上，为特定场景打造真正强大的Agent。

本文转载自​​​​​​​​探索AGI​​​​​​​​，作者：猕猴桃