LangChain 发布深度智能体框架Deepagents! 让智能体不再“浅尝辄止” 原创

AI博物院

发布于 2025-9-22 09:03

浏览

0收藏

很多人做智能体时，会用“大模型 + 循环调用工具”的最简单架构。它好用，但常常很“浅”，一遇到复杂、长链路任务就容易跑偏、忘事、或停在半路。

像 Deep Research、Manus、Claude Code 这类“深度”智能体，是怎么补上的？核心其实就四件事：

规划工具：先想清楚要做什么，再一步步做。
子智能体：把复杂任务拆给更专精的小助手。
文件系统：能读写文件，保留中间成果和上下文。
详细提示词：把工作方法讲清楚，少走弯路。

deepagents 是什么

deepagents 是一个 Python 包，把上面这四件事做成了通用能力，帮你更容易地搭出“深”智能体。它受 Claude Code 启发很深，目标是更通用、更好用。

LangChain 发布深度智能体框架Deepagents! 让智能体不再“浅尝辄止”-AI.x社区

deep agent

安装：

pip install deepagents

如果要跑下面的入门示例，还需要：

pip install tavily-python

一个简洁的入门示例

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_cnotallow=include_raw_content,
        topic=topic,
    )

research_instructions = """You are an expert researcher. Your job is to conduct thorough research, and then write a polished report.

You have access to a few tools.

## `internet_search`

Use this to run an internet search for a given query. You can specify the number of results, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    [internet_search],
    research_instructions,
)

result = agent.invoke({"messages": [{"role": "user", "content": "what is langgraph?"}]})

这个 agent 本质上就是一个 LangGraph 图，所以你可以用 LangGraph 的常用能力（流式、HITL、人类介入、记忆、Studio 等）。

自定义一个“深”智能体

tools（必填）：一组函数或 LangChain 的@tool。主智能体和子智能体都能用。
instructions（必填）：这会成为提示词的一部分（系统提示词已内置，会和它一起起作用）。
subagents（选填）：自定义子智能体，做专门的子任务。

子智能体有两种写法：

简单版SubAgent

必填字段：name（名字）、description（说明）、prompt（提示词）
可选字段：tools（可用工具，默认继承全部）、model_settings（该子智能体独立的模型设置）

research_subagent = {
    "name": "research-agent",
    "description": "Used to research more in depth questions",
    "prompt": sub_research_prompt,
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[research_subagent]
)

进阶版CustomSubAgent

直接把一个预先构建好的 LangGraph 图当作子智能体用：

from langgraph.prebuilt import create_react_agent

custom_graph = create_react_agent(
    model=your_model,
    tools=specialized_tools,
    prompt="You are a specialized agent for data analysis..."
)

custom_subagent = {
    "name": "data-analyzer",
    "description": "Specialized agent for complex data analysis tasks",
    "graph": custom_graph
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[custom_subagent]
)

模型怎么配

默认模型："claude-sonnet-4-20250514"
你可以传任意 LangChain 模型对象作为默认模型；也可以为某个子智能体单独指定模型与参数。

示例：用 Ollama 的自定义模型

from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model

model = init_chat_model(model="ollama:gpt-oss:20b")

agent = create_deep_agent(
    tools=tools,
    instructinotallow=instructions,
    model=model,
)

示例：给“评审子智能体”单独上一个更快、更稳的模型

critique_sub_agent = {
    "name": "critique-agent",
    "description": "Critique the final report",
    "prompt": "You are a tough editor.",
    "model_settings": {
        "model": "anthropic:claude-3-5-haiku-20241022",
        "temperature": 0,
        "max_tokens": 8192
    }
}

agent = create_deep_agent(
    tools=[internet_search],
    instructinotallow="You are an expert researcher...",
    model="claude-sonnet-4-20250514",
    subagents=[critique_sub_agent],
)

内置工具

默认自带 5 个工具（可通过 builtin_tools 精简）：

write_todos：写待办（帮助“先计划，再执行”）
write_file：写文件（虚拟文件系统）
read_file：读文件
ls：列文件
edit_file：编辑文件

精简示例（只保留待办工具）：

builtin_tools = ["write_todos"]
agent = create_deep_agent(..., builtin_tools=builtin_tools, ...)

关键部件

系统提示词（System Prompt）已内置，参考了 Claude Code 的风格，又更通用。它把“怎么规划、怎么用文件、怎么调用子智能体”等规则说清楚。好的提示词，是深度的关键。
规划工具（Planning Tool）类似 Claude Code 的 TodoWrite。它不直接“做事”，而是先把计划写下来，放在上下文里，帮助后续执行。
虚拟文件系统（File System Tools）提供ls/read_file/write_file/edit_file，用 LangGraph 的 State 模拟，不会动到真实磁盘，方便在一台机上开多个智能体也不相互影响。目前支持一层目录；可以通过 State 中的files 注入和读取。
子智能体（Sub Agents）内置一个通用子智能体（和主智能体同指令、同工具），也支持你自定义多个专门子智能体。好处是“隔离上下文”、“专人做专事”。
人机协同（Human-in-the-Loop）你可以给某些工具加“人工审批”拦截（interrupt_config）。支持：

a.allow_accept：直接执行

b.allow_edit：改工具或改参数再执行

c.allow_respond：不执行，追加一条“工具消息”作为反馈需要配一个检查点（如 InMemorySaver）。当前一次只能拦截一个并行工具调用。

MCP 工具通过 LangChain MCP Adapter 可以让 deepagents 使用 MCP 工具（注意使用 async 版本）。
配置化智能体（Configurable Agent）用create_configurable_agent，把instructions/subagents 等做成可配的构建器，方便在langgraph.json 里部署和更新。也有 async 版本。

适合做什么

深度研究：查资料、比对观点、整合成文。
代码助手：规划变更、读改文件、分派子任务、总结提交。
数据/文档处理：拆分任务、多步加工、阶段性落盘。
流程自动化：有计划、有记忆、有分工、更可靠。

总结

建议先从小规模开始，逐步引入工具、子智能体和文件系统，并编写清晰的提示词指导智能体“先想后做、不确定时提问、记录关键步骤”。关键操作加入人工审核，并针对不同任务选用不同模型以平衡效果与成本。通过这些改进，原有的工具循环型智能体将变得更耐心、稳定，能更好地完成复杂任务。

本文转载自AI 博物院作者：longyunfeigu

标签

langchain

深度智能体框架

deepagents

51CTO

51CTO博客

51CTO学堂