个人知识库

Deep Agents

6分钟阅读

Deep Agents

LangChain 团队开源的 Agent Harness（智能体脚手架），基于 LangGraph + LangChain 构建，开箱即用提供任务规划、虚拟文件系统、子智能体派发、长期记忆四大核心能力

简介

Deep Agents 是 LangChain 团队于 2026 年初开源的 LLM 智能体开发库（MIT 协议），灵感来自 Claude Code、Deep Research、Manus 等产品的通用化抽象。它不是又一个 Agent 框架，而是在 LangChain + LangGraph 之上的”整车”层——Agent Harness。

与普通 Agent 框架的本质区别：普通框架（如 LangChain 原生 Agent）给你积木让你自己搭，Deep Agents 直接给你一辆配置齐全的越野车——你只需告诉它去哪，它自己会规划路线、加油、绕路。开发者用 create_deep_agent() 一行代码即可获得具备规划、文件管理、子智能体派发能力的完整 Agent。

生态定位：LangGraph 是发动机（图编排执行引擎），LangChain 是方向盘和仪表盘（组件库），Deep Agents 是整车（开箱即用的 Agent Harness）。

关键信息

  • 类型：开发框架 / Agent Harness
  • 领域：LLM 智能体开发
  • 底层依赖：LangGraph（执行引擎）+ LangChain（组件库）
  • 开源协议：MIT（100% 开源）
  • Python 版本：>= 3.11
  • 灵感来源：Claude Code、Deep Research、Manus
  • 相关概念：LangGraph、LangChain、AI Agent 智能体、Agent Harness、Agentic Workflow

核心特性

任务规划（write_todos）

内置 write_todos 工具，由 TodoListMiddleware 提供。Agent 面对复杂任务会自动调用 write_todos 拆解为 Todo List，逐步执行并动态更新进度。比传统的 ReAct 循环多了”计划-执行-检查”的结构化维度。

用户请求："帮我分析三家公司的财报"
    ↓
Agent 调用 write_todos:
    ☐ 收集公司 A 的财报数据
    ☐ 收集公司 B 的财报数据
    ☐ 收集公司 C 的财报数据
    ☐ 对比分析三家公司
    ☐ 撰写总结报告
    ↓
逐步执行，动态更新进度

虚拟文件系统（FilesystemMiddleware）

杀手级特性。传统 Agent 的致命问题是上下文窗口溢出——工具返回结果太长，很快就把 token 用完了。Deep Agents 内置虚拟文件系统，Agent 可以把中间结果”卸载”到文件中。

工具功能
ls列出文件系统中的文件
read_file读取文件内容（支持指定行数）
write_file写入新文件
edit_file编辑已有文件

底层由 FilesystemMiddleware 提供，支持可插拔文件系统后端。

子智能体派发（SubAgentMiddleware）

通过 task 工具和 SubAgentMiddleware，主 Agent 可以动态生成子智能体处理专项任务。三大优势：

  • 上下文隔离：子智能体有独立的上下文窗口，不会污染主 Agent
  • 并行执行：多个子任务可以同时进行
  • 专注深度：子智能体可以深入处理特定领域任务

支持用 CompiledSubAgent 包装预构建的 LangGraph 图作为子智能体。

长期记忆

基于 LangGraph Store 实现跨线程持久化记忆，Agent 可以在不同对话间保留关键信息。

Shell 执行与沙箱

内置 execute 工具，支持在沙箱环境中运行命令。

上下文压缩

对话过长时自动进行摘要压缩，防止上下文窗口溢出。

不同素材中的观点

来自 2026-06-13-deep-agents-framework-guide：

  • Deep Agents 是 LangChain 生态金字塔的最顶层：LangGraph（发动机）→ LangChain（方向盘）→ Deep Agents（整车）
  • 虚拟文件系统是杀手级特性，解决了传统 Agent 上下文窗口溢出的根本问题
  • create_deep_agent() 一行代码即可启动，零配置开箱即用
  • 子智能体通过 SubAgentMiddleware 配置，支持上下文隔离和并行执行
  • 灵感来自 Claude Code、Deep Research、Manus 等产品的通用化抽象

实用信息

安装方式

pip install deepagents
# 或 uv（推荐）
uv add deepagents

快速上手

from deepagents import create_deep_agent
 
agent = create_deep_agent()
result = agent.invoke({
    "messages": [{"role": "user", "content": "研究 LangGraph 并写一份总结"}]
})
print(result["messages"][-1].content)

自定义扩展

  • 自定义工具：create_deep_agent(tools=[your_tool])
  • 自定义系统提示词：create_deep_agent(system_prompt="...")
  • 自定义模型：create_deep_agent(model="claude-sonnet-4-5-20250929")
  • 自定义中间件：通过 middleware 参数添加 TodoListMiddleware、FilesystemMiddleware、SubAgentMiddleware

适用场景

  • 复杂多步骤研究任务（研究助手）
  • 需要长时间运行的 Agent 任务
  • 需要管理大量中间结果的场景
  • 多智能体协作系统

不适用场景

  • 简单的问答对话（直接用 LangChain Agent 即可）
  • 对延迟极度敏感的实时场景（中间件有额外开销）

相关页面

关系图谱

快速导航

反向链接