LangChain 深度智能体（Deep Agents）入门

想象一下，一个智能体：

• • 没有记忆 → 很快就忘事
• • 没有计划 → 总是东张西望
• • 不会委派 → 永远只能靠自己

而 Deep Agents 的“支撑层”，就是把模型真正变成能干活的智能体的关键。

什么是 Deep Agents？

deepagents 是一个智能体支撑层库（agent harness），基于 LangChain 核心模块和 LangGraph 运行时。它的作用是：

• • 控制智能体的执行循环
• • 管理工具调用
• • 跟踪状态
• • 执行流程控制

这样，模型就能专心做推理，不用操心其他杂事。

特点

开箱即用就能做到：

• • 任务规划：按步骤处理复杂任务
• • 上下文管理：用文件系统工具管理跨多步的上下文
• • 子智能体：把复杂任务拆给子智能体，互不干扰
• • 长期记忆：跨会话记住历史

所以无论是简单任务还是长流程、多步骤任务，都能直接用，不用额外接线。

三大核心组件

1. 1. Deep Agents SDK：编程方式创建智能体
2. 2. Deep Agents CLI：基于 SDK 的终端编码智能体
3. 3. ACP 集成：把 Deep Agents 连到代码编辑器（比如 Zed）

快速上手

# 安装 deepagents
# pip install -qU deepagents langchain-Ollama
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="ollama:devstral-2",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 调用智能体
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

什么时候用？

如果任务很复杂或者需要长时间执行，普通的智能体循环就不够用了。典型场景包括：

• • 多步骤任务：需要跟踪每一步进度
• • 上下文管理：任务上下文超出单条提示，需要工具帮忙存储和总结
• • 子智能体委派：把复杂子任务拆给专业子智能体
• • 长期记忆：记住之前的会话内容

这些功能一起用，Deep Agents SDK 就能直接帮你搞定，无需额外配置。

额外优势

• • 可以换文件存储方式：内存（测试）、本地磁盘（开发）、持久存储（生产）
• • 可在沙箱环境安全执行 shell 命令
• • 可以限制智能体能读写哪些文件
• • 关键操作可以要求人工确认
• • 支持任何能调用工具的模型，不锁死特定提供商

如果你的任务很简单，不需要这些功能，直接用 LangChain 的 create_agent 或自定义 LangGraph 工作流更轻量，更方便。