概述与简介
什么是 DeepAgents
DeepAgents 是一个建立在 LangChain 基础之上的智能代理框架，专门用于构建能够处理复杂、多步骤任务的 AI 应用。它提供了一套完整的工具链，使开发者能够快速构建具有规划能力、文件系统交互、子代理协作等特性的智能系统。
核心定位
DeepAgents 定位为"代理工 具架构"（Agent Harness），相比于其他 Agent 框架，它在标准的工具调用循环基础上，集成了多项开箱即用的能力和功能模块。
核心能力
1. 任务规划与分解
代理能够将复杂的用户需求分解为多个可执行的子任务，并按适当的顺序执行这些任务，以达成最终目标。
2. 文件系统管理
提供了一套虚拟文件系统工具（如 ls、read_file、write_file、edit_file、glob、grep 等），代理可以通过这些工具对文件进行读写操作。这对于：
- 存储中间处理结果
- 管理代理的上下文和记忆
- 处理大型数据和文档
都是必不可少的。
3. 子代理委托
主代理可以根据需要创建并委派任务给专门化的子代理。这种分离的设计有以下优势：
- 保持主代理的上下文清洁，避免信息过载
- 为不同的任务使用不同的模型或配置
- 实现更细粒度的权限和资源控制
4. 长期记忆管理
代理可以在对话之间持久化存储信息，包括：
- 用户偏好和历史信息
- 学习到的技能和最佳实践
- 累积的知识库
5. 模型灵活性
支持任何具备工具调用能力的 LLM 模型，包括：
- 主流的商业模型（Claude、GPT 系列等）
- 开源模型
- 自定义部署的模型
6. 可扩展的技能系统
通过技能（Skills）机制，可以为代理注入特定领域的知识和工作流程，使其在特定任务上表现更优。
技术架构
依赖关系
DeepAgents
↓
LangChain（核心 Agent 构建块）
↓
LangGraph（运行时、持久化、流式处理）
↓
LLM 提供商 API
主要特性
| 特性 | 说明 |
|---|---|
| 工具调用 | 标准的函数调用机制 |
| 规划 | 内置的任务分解和规划能力 |
| 子代理 | 支持创建和管理多个专门代理 |
| 文件系统 | 虚拟文件系统抽象，支持多种后端存储 |
| 记忆管理 | 长期记忆持久化和作用域控制 |
| 流式处理 | 实时流式输出和进度跟踪 |
| 人工在环 | 支持敏感操作的人工审批流程 |
| 生产部署 | 提供完整的部署和运维支持 |
适用场景
理想场景
- ✅ 需要处理多步骤、复杂推理的任务
- ✅ 需要大量上下文管理和信息组织的应用
- ✅ 需要在多个专门领域的代理之间协作的系统
- ✅ 需要代理能够执行 shell 命令或访问本地文件系统的场景
- ✅ 需要在多轮对话中进行学习和改进的应用
- ✅ 需要为敏感操作添加人工审批流程的系统
不适合场景
- ❌ 简单的单步骤 API 调用任务
- ❌ 纯数据处理、无需推理的任务
- ❌ 对延迟要求极高的实时系统（<100ms）
- ❌ 受严格隔离限制的多租户环境
与其他框架的对比
DeepAgents vs 标准 LangChain Agent
- DeepAgents 是"意见导向"的 Agent 框架，内置了最佳实践
- 提供了文件系统、子代理等开箱即用的能力
- 简化了复杂 Agent 系统的构建过程
DeepAgents vs LangGraph
- LangGraph 是底层的运行时和编排引擎
- DeepAgents 是基于 LangGraph 的高层应用框架
- DeepAgents 添加了特定领域的抽象和工具
生命周期
一个典型的 DeepAgents 应用生命周期包括：
- 定义阶段：定义模型、工具、系统提示、子代理等
- 初始化阶段：创建代理实例
- 执行阶段：调用代理处理用户输入
- 流式处理：可选的实时流式输出
- 状态管理：自动管理对话状态和记忆
- 持久化：可选的状态和记忆持久化