DeepAgents：LangChain 推出的全能 AI 智能体框架

DeepAgents 是 LangChain 团队推出的"电池内置"（batteries-included）智能体框架。它是一个开箱即用的 AI 智能体解决方案，无需手动组装提示词、工具和上下文管理，即可获得一个功能完备的智能体。

什么是 DeepAgents？

DeepAgents 是一个基于 LangChain 和 LangGraph 构建的智能体框架（Agent Harness），它的核心理念是：

• 开箱即用：几分钟内启动一个功能完备的智能体
• 功能完整：内置规划、文件系统、子智能体等核心功能
• 完全开源：MIT 许可证，100% 可扩展
• 模型无关：支持任何支持工具调用的 LLM
• 生产就绪：基于 LangGraph 的运行时，支持流式输出、持久化和检查点

核心功能

1. 智能规划（Planning）

内置 write_todos 工具，用于任务分解和进度跟踪：

• 将复杂任务分解为可执行的子任务
• 跟踪任务完成进度
• 动态调整计划

agent = create_deep_agent()
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Research LangGraph and write a summary"
    }]
})

智能体会自动：

1. 创建任务列表
2. 逐步完成每个任务
3. 跟踪进度并更新状态

2. 完整的文件系统

提供完整的文件操作能力：

• read_file — 读取文件内容
• write_file — 写入新文件
• edit_file — 编辑现有文件
• ls — 列出目录内容
• glob — 模式匹配查找文件
• grep — 在文件中搜索内容

这使得智能体能够：

• 持久化上下文信息
• 管理大型项目文件
• 实现代码库级别的操作

3. Shell 访问

通过 execute 工具运行命令：

# 执行系统命令（带沙箱保护）
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Run tests and fix any failures"
    }]
})

安全特性：

• 沙箱化执行环境
• 隔离的运行时
• 可配置的权限控制

4. 子智能体（Sub-agents）

task 工具用于委托工作并隔离上下文：

# 智能体可以创建子智能体来处理独立任务
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Analyze these three repositories in parallel"
    }]
})

优势：

• 独立的上下文窗口
• 并行任务处理
• 清晰的职责分离

5. 智能上下文管理

自动处理长对话和大输出：

• 对话过长时自动总结
• 大型输出自动保存到文件
• 智能的信息检索和引用

6. 精心设计的提示词

内置提示词教模型如何有效使用工具：

• 清晰的工具使用指南
• 最佳实践模式
• 错误恢复策略

快速开始

安装

pip install deepagents
# 或使用 uv
uv add deepagents

基础使用

from deepagents import create_deep_agent

# 创建智能体
agent = create_deep_agent()

# 执行任务
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Research LangGraph and write a summary"
    }]
})

print(result["messages"][-1].content)

就这么简单！智能体可以：

• 规划任务
• 读写文件
• 管理上下文
• 执行命令
• 创建子智能体

高级定制

自定义模型

from langchain.chat_models import init_chat_model

agent = create_deep_agent(
    model=init_chat_model("openai:gpt-4o")
)

支持的模型：

• OpenAI (GPT-4, GPT-3.5)
• Anthropic (Claude 3 系列)
• 其他支持工具调用的模型

添加自定义工具

from langchain.tools import tool

@tool
def my_custom_tool(query: str) -> str:
    """My custom tool that does something useful."""
    return f"Result for: {query}"

agent = create_deep_agent(
    tools=[my_custom_tool]
)

自定义系统提示词

agent = create_deep_agent(
    system_prompt="You are a research assistant specializing in AI papers."
)

配置子智能体

agent = create_deep_agent(
    # 子智能体配置
    sub_agent_config={
        "max_iterations": 10,
        "timeout": 300
    }
)

MCP 支持

通过 langchain-mcp-adapters 支持 MCP（Model Context Protocol）：

from langchain_mcp_adapters import get_mcp_tools

mcp_tools = get_mcp_tools()
agent = create_deep_agent(
    tools=mcp_tools
)

DeepAgents CLI

除了 SDK，DeepAgents 还提供了一个强大的命令行界面（CLI），类似 Claude Code 或 Cursor：

安装 CLI

curl -LsSf https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash

主要特性

交互式 TUI

丰富的终端界面，支持：

• 流式响应显示
• 实时输出
• 语法高亮

Web 搜索

内置网络搜索能力，基于实时信息生成响应。

无头模式

支持非交互模式，用于：

• 脚本自动化
• CI/CD 集成
• 批处理任务

完整功能

CLI 包含所有 SDK 功能：

• 远程沙箱
• 持久化记忆
• 自定义技能
• 人工审批流程

LangGraph 原生集成

create_deep_agent 返回的是编译后的 LangGraph 图，这意味着你可以：

流式输出

for event in agent.stream({
    "messages": [{"role": "user", "content": "Hello"}]
}):
    print(event)

Studio 可视化

在 LangSmith Studio 中可视化和调试智能体行为。

状态持久化

from langgraph.checkpoint.memory import MemorySaver

agent = create_deep_agent(
    checkpointer=MemorySaver()
)

# 支持对话历史和状态恢复
config = {"configurable": {"thread_id": "123"}}
result = agent.invoke(input_data, config=config)

实际应用场景

1. 代码开发助手

agent = create_deep_agent()
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        Implement a REST API for user management with:
        - User registration
        - Login/logout
        - Profile update
        Use Python and FastAPI.
        """
    }]
})

智能体会：

1. 规划项目结构
2. 创建必要的文件
3. 编写代码
4. 运行测试
5. 修复错误

2. 数据分析助手

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        Analyze the sales data in data/sales_2024.csv
        and create a report with visualizations.
        """
    }]
})

3. 文档生成器

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        Read all the code in src/ directory
        and generate comprehensive API documentation.
        """
    }]
})

4. 自动化测试

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        Run the test suite, identify failing tests,
        and fix the bugs.
        """
    }]
})

安全考虑

DeepAgents 遵循"信任 LLM"模型：

• 智能体可以做其工具允许的任何事
• 在工具/沙箱层面强制执行边界
• 不要期望模型自我约束

安全最佳实践

1. 沙箱化执行环境

   agent = create_deep_agent(
       sandbox_config={
           "network": False,
           "filesystem": "restricted"
       }
   )

2. 限制工具访问

   # 只提供必要的工具
   agent = create_deep_agent(
       tools=[safe_tools_only]
   )

3. 人工审批流程

   agent = create_deep_agent(
       human_in_the_loop=True
   )

与其他框架对比

vs. Claude Code

特性	DeepAgents	Claude Code
开源	✅ MIT	❌
模型无关	✅	❌ Claude only
可定制性	✅ 高	⚠️ 有限
生产就绪	✅ LangGraph	✅
CLI	✅	✅

vs. AutoGPT

特性	DeepAgents	AutoGPT
易用性	✅ 简单	⚠️ 复杂
上下文管理	✅ 自动	⚠️ 手动
生产就绪	✅	⚠️ 实验性
社区支持	✅ LangChain	⚠️ 较小

为什么选择 DeepAgents？

1. 100% 开源 — MIT 许可，完全可扩展
2. 模型无关 — 支持任何支持工具调用的 LLM
3. LangGraph 支持 — 生产就绪的运行时
4. 电池内置 — 规划、文件、子智能体开箱即用
5. 秒级启动 — uv add deepagents 即可使用
6. 分钟级定制 — 需要时再添加工具、调模型、改提示词

相关资源

• DeepAgents GitHub
• LangChain 文档
• API 参考文档
• Chat LangChain — 与文档对话
• LangChain 论坛 — 社区交流

总结

DeepAgents 是一个功能完备、开箱即用的 AI 智能体框架。它通过提供内置的规划、文件系统、Shell 访问和子智能体等功能，让开发者能够在几分钟内启动一个生产就绪的智能体。

无论你是要构建代码助手、数据分析工具、自动化系统还是其他 AI 应用，DeepAgents 都能提供坚实的基础和灵活的定制能力。

灵感来自 Claude Code，DeepAgents 将其核心理念进一步推广，创建了一个更加通用、更加开放、更加可定制的智能体框架。

---

本文发布于 2026 年 3 月 28 日，基于 DeepAgents 最新版本编写