企业级复杂任务智能体构建：解锁LangChain新品Deep Agents及其UI利器

推荐语

LangChain最新推出的Deep Agents及其UI工具，为企业级复杂任务智能体搭建带来革命性突破。

核心内容：
1. 浅层智能体的局限性及企业级场景挑战
2. Deep Agents的创新架构与深度推理能力
3. Deep Agents UI如何简化部署并提升交互体验

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

7月底，Langchain的工程师花了个周末时间，发布了面向复杂任务的智能体架构Deep Agents。

8月13日，也就是昨天，又发布了更简易上手的交互界面，Deep Agents UI。

我们来看看这如何助力企业级复杂任务智能体搭建。

在企业级应用中，AI 智能体正逐渐成为自动化复杂任务的核心工具。然而，传统的“浅层”智能体在面对多步骤、长期规划或协作性强的企业场景时往往力不从心。Deep Agents 及其配套用户界面 Deep Agents UI 提供了一种创新的框架，旨在通过深度推理、任务分解和用户友好的交互界面，满足企业级复杂交互场景的需求。本文将从浅层智能体的局限性入手，探讨Deep Agents 的设计理念、使用方法以及 Deep Agents UI 如何进一步简化部署。

1. 常用的浅层智能体的结构及其问题

浅层智能体的结构图表展示了一种基于“LLM Call”的浅层智能体工作流程：

• Human（人类）：通过输入（如问题或指令）触发智能体。

• LLM Call（大语言模型调用）：接收人类输入后，调用大语言模型生成“Action”（行动），并与“Environment”（环境，如外部工具或数据源）交互。

• Environment（环境）：根据智能体的行动提供反馈（如数据或结果），并返回给 LLM Call 进行进一步处理。

• Feedback（反馈）：环境向 LLM Call 提供响应，形成一个循环，直至满足“Stop”（停止）条件，任务结束。

这种结构（如下图）依赖于简单的单轮或有限循环交互，适用于诸如回答单一问题或执行基本工具调用（如查询数据库）的任务。

在企业级场景中，浅层智能体面临以下问题：

1. 缺乏长期规划：无法处理需要多步骤推理或长期上下文的任务，如市场分析报告生成或复杂项目管理。

2. 上下文管理不足：受限于 LLM 的上下文窗口，难以存储和利用长时间运行任务的中间结果。

3. 协作能力有限：单一智能体难以分解复杂任务或与其他智能体协作，导致效率低下。

4. 用户交互复杂：开发者需要手动编写复杂的提示和代码，调试困难，门槛较高。

例如，在分析竞争对手的产能数据时，浅层智能体可能因无法协调数据检索、分析和可视化而失败。

2. 复杂任务智能体的定位

复杂任务智能体的企业级场景通常涉及多步骤、跨部门协作的任务，如我们熟悉的新能源汽车产业链分析：

• 竞品产能分析：从公开数据、行业报告和新闻中提取竞争对手的产能数据，生成趋势图和战略建议。

• 供应链优化：协调供应商数据、物流信息和生产计划，生成优化方案。

• 市场洞察：结合消费者反馈和竞品动态，生成综合市场分析报告。

这些场景对于浅层智能体而言就有挑战了，需要各类任务拆解。

再比如，Claude自己在做高级搜索时候，也会遇到这样的拆解问题，如下图：

3 Deep Agents框架

从零开始开发复杂智能体当然会比较耗时耗力。

Deep Agents 是由 LangChain 开发的开源框架，于2025年7月30日首次发布，专为复杂任务设计。其核心通过四大支柱解决浅层智能体的局限性：

1. 详细的系统提示：通过精心设计的提示模板（如 few-shot 示例），为智能体提供清晰的行为规范和上下文，确保一致性。

2. 规划工具：引入 Todo List 等工具，让智能体在任务开始前制定全局计划，并在每一步动态调整，避免偏离目标。

3. 子智能体协作：通过任务协调器将复杂任务分解为子任务，分配给专门的子智能体（如数据检索 Agent、分析 Agent），实现高效分工。

4. 文件系统：虚拟文件系统用于存储中间结果、笔记和输出，突破 LLM 上下文窗口限制，支持长期任务和多智能体协作。

   
   

例如，比如在汽车行业竞品产能分析场景中，Deep Agents 可以：

• 由一个子智能体从行业数据库和新闻网站检索竞争对手的产能数据。

• 另一个子智能体分析数据并生成产能趋势图。

• 由协调器整合结果，生成包含战略建议的综合报告。

4. Deep Agents 如何使用

Deep Agents 是一个基于 Python 的开源库，开发者可以通过简单的安装和配置快速构建定制化智能体。

使用比较简单，官网上有具体的代码实例，可以直接pip安装

pip install deepagents

当然，也有些版本要求和依赖库，具体可以访问deepagents

示例代码：构建一个汽车行业竞品产能分析 

官方已经提供了create_deep_agent、sub_agent等API，我们可以进一步封装成类接口比如DeepAgent、Planner、SubAgent，这样可以按照业务逻辑易表达的方式便捷实现分析流程，以下是一个简化的示意，展示如何使用 Deep Agents 分析汽车行业竞争对手的产能数据：

from deepagents import DeepAgent, Planner, FileSystem, SubAgent# 初始化文件系统用于存储中间结果fs = FileSystem(directory="./agent_workspace")# 定义子智能体data_agent = SubAgent(name="DataRetriever", tools=["industry_api", "web_scraper"])analysis_agent = SubAgent(name="DataAnalyzer", tools=["pandas", "matplotlib"])report_agent = SubAgent(name="ReportWriter", tools=["markdown_generator"])# 配置规划器planner = Planner(strategy="todo_list", agents=[data_agent, analysis_agent, report_agent])# 初始化 Deep Agentdeep_agent = DeepAgent(    system_prompt="Generate a competitive capacity analysis report for Tesla and Toyota, including data, trend charts, and strategic recommendations.",    planner=planner,    filesystem=fs)# 执行任务result = deep_agent.run("Analyze Tesla and Toyota's production capacity for 2023-2025.")print(result)

工作流程

1. 系统提示：定义任务目标（如分析特斯拉和丰田的产能）和行为规范。

2. 规划：Planner 生成任务列表（如“检索产能数据 → 分析趋势 → 生成报告”）。

3. 子智能体协作：各子智能体分别执行数据检索（从行业数据库和新闻）、数据分析（生成趋势图）和报告生成。

4. 文件系统：中间结果（如 CSV 数据、趋势图）存储在文件系统中，最终输出整合为 Markdown 报告。

5. Deep Agents UI 是什么，如何进一步简化使用

Deep Agents UI 是年8月13日新鲜发布的，为 Deep Agents 提供直观的可视化操作平台。

安装与使用也比较简单，克隆仓库，修改环境变量，直接npm run就行：

git clone https://github.com/langchain-ai/deep-agents-ui

然后在本地 Web 界面 http://localhost:3000就可以看到如下：