使用 CLI 部署

• 开源运行时：MIT 许可证，提供 Python 和 TypeScript 版本
• AGENTS.md：智能体指令的开放标准
• Agent Skills：智能体知识和操作的开放标准
• 任意模型，任意沙箱：无供应商锁定
• 开放协议：MCP、A2A、Agent Protocol
• 可自托管：LangSmith 部署可以自托管，因此记忆数据保留在您的基础设施中

​

与 Claude 托管智能体的比较

​

您正在部署的内容

​

安装

uv tool install deepagents-cli

​

用法

deepagents init [name] [--force]                                             # 搭建新项目
deepagents dev  [--config deepagents.toml] [--port 2024] [--allow-blocking]  # 打包并在本地运行
deepagents deploy [--config deepagents.toml] [--dry-run]                     # 打包并部署

deepagents deploy --config path/to/deepagents.toml

​

deepagents init

deepagents init my-agent

​

项目布局

my-agent/
├── deepagents.toml
├── AGENTS.md
├── .env
├── mcp.json
├── skills/
│   ├── code-review/
│   │   └── SKILL.md
│   └── data-analysis/
│       └── SKILL.md
├── subagents/
│   └── researcher/
│       ├── deepagents.toml
│       └── AGENTS.md
└── user/
    └── AGENTS.md

​

配置文件

​

[agent]

[agent]
name = "research-assistant"
model = "google_genai:gemini-3.1-pro-preview"

• 技能：打包器递归扫描 skills/，跳过隐藏的点文件，并打包其余内容。
• 用户记忆：如果 user/ 存在，单个 AGENTS.md 将作为每个用户的记忆被打包（如果存在 user/AGENTS.md，则使用其内容，否则为空）。在运行时，每个用户获得自己的副本（在首次访问时初始化，永远不会被覆盖）。智能体可以读取和写入此文件。
• 子智能体：如果 subagents/ 存在，打包器会扫描有效的子目录（每个必须包含 deepagents.toml 和 AGENTS.md）。主智能体接收一个 task 工具，可以按名称将工作委派给每个子智能体。参见子智能体。
• MCP 服务器：如果 mcp.json 存在，它将包含在部署中，并且 langchain-mcp-adapters 将作为依赖项添加。仅支持 HTTP/SSE 传输（stdio 在打包时会被拒绝）。
• 模型依赖项：model 字段中的 provider: 前缀决定了所需的 langchain-* 包（例如，google_genai -> langchain-google-genai）。这包括在子智能体配置中指定的模型。
• 沙箱依赖项：[sandbox].provider 值映射到其伴侣包（例如，daytona -> langchain-daytona）。

​

[sandbox]

• "thread"（默认）：每个对话获得自己的沙箱。不同的线程获得不同的沙箱，但相同的线程在不同轮次中重用其沙箱。当每个对话应从干净环境开始时使用此选项。
• "assistant"：所有对话共享一个沙箱。文件、安装的包和其他状态在对话之间持久化。当智能体维护一个长期工作空间（如克隆的仓库）时使用此选项。

​

[auth]

[agent]
name = "my-agent"
model = "google-genai:gemini-3.1-pro-preview"

[auth]
provider = "supabase"   # supabase | clerk | anonymous

• 未认证的请求返回 401。
• 成功后，已认证用户的身份将注入到 config.configurable.langgraph_auth_user_id 中。
• 所有资源（线程、运行、存储）通过 metadata.owner 自动按用户作用域划分。
• LangSmith Studio 在本地开发时绕过身份验证。

​

[frontend]

[agent]
name = "my-agent"
model = "anthropic:claude-sonnet-4-6"

[auth]
provider = "supabase"   # 或 "clerk"

[frontend]
enabled = true
app_name = "My Agent"
subtitle = "Your AI research assistant"
prompts = [
  "Summarize this paper",
  "Find related work",
  "Draft an outline",
]

• Clerk ([auth] provider = "clerk") —— 每个用户的真实身份验证。每个用户登录；线程和记忆按用户作用域划分。
• Supabase ([auth] provider = "supabase") —— 每个用户的真实身份验证。与 Clerk 相同的按用户作用域划分。
• 匿名 ([auth] provider = "anonymous") —— 打包器提供一个宽松的身份验证处理程序，覆盖 LangSmith 部署的默认 x-api-key 要求，以便前端可以访问 /threads，这意味着任何拥有部署 URL 的人都可以调用 API。前端为每个浏览器分配一个 UUID cookie，并根据它过滤线程选择器（仅 UX 作用域，非安全）。CLI 在推送前需要交互式 y/N 确认。

• 与智能体的流式聊天
• 线程选择器，具有从第一条用户消息自动生成的标题
• 实时待办事项、文件和子智能体活动面板，反映您的深度智能体的实时图状态
• 浅色/深色主题切换，首次加载时遵循操作系统偏好设置，之后保持
• （仅 Clerk / Supabase）登录/注册/登出流程——Clerk 提供其完整小部件（社交登录、密码重置）；Supabase 提供电子邮件/密码以及内置的密码重置流程

• Clerk： 仪表板 → 您的应用程序 → 域 → 添加您的部署主机（例如 clerk-abc.us.langgraph.app）。Clerk 开发实例自动将 localhost 加入白名单；生产部署 URL 需要显式加入白名单。
• Supabase： 仪表板 → 身份验证 → URL 配置 → 将 https://<your-deployment>/app/** 添加到 重定向 URL。没有此设置，密码重置和电子邮件确认链接将无法路由回您的应用程序。

​

.env

# 必需——模型提供商密钥
ANTHROPIC_API_KEY=sk-...
OPENAI_API_KEY=sk-...
# ...等等。

# 部署和 LangSmith 沙箱所需
LANGSMITH_API_KEY=lsv2_...

# 可选——沙箱提供商密钥
DAYTONA_API_KEY=...
MODAL_TOKEN_ID=...
MODAL_TOKEN_SECRET=...
RUNLOOP_API_KEY=...

# 如果 [auth] provider = "supabase" 则必需
SUPABASE_URL=https://your-project.supabase.co
SUPABASE_PUBLISHABLE_DEFAULT_KEY=eyJhbGc...

# 如果 [auth] provider = "clerk" 则必需
CLERK_SECRET_KEY=sk_test_...

# 如果 [frontend].enabled = true 且 [auth] provider = "clerk" 则必需
CLERK_PUBLISHABLE_KEY=pk_test_...

​

身份验证

• [auth] provider = "supabase" 或 "clerk" —— 每个用户的真实身份验证。在 Authorization 头中传递用户的身份验证提供商令牌。
• [auth] provider = "anonymous" —— 打包器提供一个宽松的身份验证处理程序。API 对任何拥有部署 URL 的人开放。无需头信息。（当部署 [frontend] 而没有真实的按用户身份验证时必需。）
• 没有 [auth] 部分 —— 部署回退到 LangSmith 部署的默认 x-api-key 要求。在 x-api-key 头中传递您的 LangSmith API 密钥。仅在 [frontend].enabled 为 false 或未设置时有效。

curl -X POST https://your-deployment-url/threads \
  -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"metadata": {}}'

from langgraph_sdk import get_client

client = get_client(
    url="https://your-deployment-url",
    headers={"Authorization": "Bearer YOUR_ACCESS_TOKEN"},
)

thread = await client.threads.create()

​

沙箱提供商

​

部署端点

• MCP：从其他智能体调用您的智能体作为工具
• A2A：通过 A2A 协议进行多智能体编排
• Agent Protocol：用于构建 UI 的标准 API
• 人机协作：敏感操作的审批门
• 记忆：短期和长期记忆访问

​

示例

[agent]
name = "deepagents-deploy-content-writer"
model = "google_genai:gemini-3.1-pro-preview"

my-content-writer/
├── deepagents.toml
├── AGENTS.md
├── skills/
│   ├── blog-post/SKILL.md
│   └── social-media/SKILL.md
└── user/
    └── AGENTS.md          # 可写——智能体学习用户偏好

[agent]
name = "deepagents-deploy-coding-agent"
model = "google_genai:gemini-3.1-pro-preview"

[sandbox]
provider = "langsmith"
template = "coding-agent"
image = "python:3.12"

my-gtm-agent/
├── deepagents.toml
├── AGENTS.md
├── skills/
│   └── competitor-analysis/
│       └── SKILL.md
└── subagents/
    └── market-researcher/
        ├── deepagents.toml
        ├── AGENTS.md
        └── skills/
            └── analyze-market/
                └── SKILL.md

[agent]
name = "internal-demo"
model = "anthropic:claude-sonnet-4-6"

[auth]
provider = "anonymous"   # API 对任何拥有 URL 的人开放——部署时确认

[frontend]
enabled = true

​

用户记忆

user/
└── AGENTS.md          # 可选——如果未提供则初始化为空

​

工作原理

1. 打包时 —— 打包器读取 user/AGENTS.md（或使用空字符串）并将其包含在种子负载中。
2. 运行时（首次访问） —— 当智能体首次看到 user_id 时，它会将 AGENTS.md 模板写入该用户命名空间下的存储中。现有条目永远不会被覆盖。
3. 预加载 —— 用户 AGENTS.md 被传递给记忆中间件，因此智能体在每次对话开始时在上下文中看到其内容。
4. 可写 —— 智能体可以使用 edit_file 工具更新它。共享的 AGENTS.md 文件和技能文件夹是只读的。

​

权限

​

用户身份

​

子智能体

​

目录结构

my-agent/
├── deepagents.toml
├── AGENTS.md
└── subagents/
    ├── researcher/
    │   ├── deepagents.toml       # 名称、描述、可选模型覆盖
    │   ├── AGENTS.md             # 子智能体系统提示
    │   ├── skills/               # 可选——子智能体特定技能
    │   │   └── analyze-market/
    │   │       └── SKILL.md
    │   └── mcp.json              # 可选——HTTP/SSE MCP 工具
    └── writer/
        ├── deepagents.toml
        └── AGENTS.md

​

子智能体配置

[agent]
name = "researcher"
description = "Researches market trends, competitors, and target audiences"
model = "google_genai:gemini-3.1-pro-preview"

​

继承

​

记忆隔离

​

示例

[agent]
name = "gtm-strategist"
model = "google_genai:gemini-3.1-pro-preview"

[agent]
name = "researcher"
description = "Researches market trends, competitors, and target audiences to inform GTM strategy"
model = "google_genai:gemini-3.1-pro-preview"

# Market Researcher

You are a market research specialist. Your job is to gather and synthesize
market data to support go-to-market decisions.

## Focus Areas
- Market sizing: TAM, SAM, SOM estimates
- Competitor analysis: product positioning, pricing, market share
- Audience segmentation: demographics, psychographics, buying behavior

​

限制

• MCP：仅限 HTTP/SSE。 stdio 传输在打包时会被拒绝。
• 无自定义 Python 工具。 使用 MCP 服务器公开自定义工具逻辑。