快速开始

本指南将引导你创建第一个具备规划、文件系统工具和子代理能力的深度代理。你将构建一个能够进行研究并撰写报告的研究代理。

正在使用 AI 编程助手？

安装 LangChain 文档 MCP 服务器，让你的代理能够访问最新的 LangChain 文档和示例。
安装 LangChain 技能，以提升你的代理在 LangChain 生态系统任务上的表现。

前提条件

在开始之前，请确保你拥有来自模型提供商（例如 Gemini、Anthropic、OpenAI）的 API 密钥。

深度代理需要支持工具调用的模型。有关如何配置模型，请参阅自定义。

步骤 1：安装依赖

npm install deepagents langchain @langchain/core @langchain/tavily

yarn add deepagents langchain @langchain/core @langchain/tavily

pnpm add deepagents langchain @langchain/core @langchain/tavily

本指南以 Tavily 作为搜索提供商示例，但你可以替换为任何搜索 API（例如 DuckDuckGo、SerpAPI、Brave Search）。

步骤 2：设置你的 API 密钥

export GOOGLE_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

export OPENAI_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

export ANTHROPIC_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

export OPENROUTER_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

export FIREWORKS_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

export BASETEN_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

# 本地：Ollama 必须在你的机器上运行
# 云：为你托管的推理设置 Ollama API 密钥
export OLLAMA_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

# 设置你的提供商的 API 密钥
export <PROVIDER>_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

深度代理适用于任何 LangChain 聊天模型。设置你的提供商的 API 密钥。

步骤 3：创建搜索工具

import { tool } from "langchain";
import { TavilySearch } from "@langchain/tavily";
import { z } from "zod";

const internetSearch = tool(
  async ({
    query,
    maxResults = 5,
    topic = "general",
    includeRawContent = false,
  }: {
    query: string;
    maxResults?: number;
    topic?: "general" | "news" | "finance";
    includeRawContent?: boolean;
  }) => {
    const tavilySearch = new TavilySearch({
      maxResults,
      tavilyApiKey: process.env.TAVILY_API_KEY,
      includeRawContent,
      topic,
    });
    return await tavilySearch._call({ query });
  },
  {
    name: "internet_search",
    description: "运行网络搜索",
    schema: z.object({
      query: z.string().describe("搜索查询"),
      maxResults: z
        .number()
        .optional()
        .default(5)
        .describe("返回的最大结果数"),
      topic: z
        .enum(["general", "news", "finance"])
        .optional()
        .default("general")
        .describe("搜索主题类别"),
      includeRawContent: z
        .boolean()
        .optional()
        .default(false)
        .describe("是否包含原始内容"),
    }),
  },
);

步骤 4：创建深度代理

import { createDeepAgent } from "deepagents";

// 引导代理成为专家研究员的系统提示
const researchInstructions = `你是一名专家研究员。你的工作是进行彻底的研究，然后撰写一份精炼的报告。

你可以使用互联网搜索工具作为收集信息的主要手段。

## \`internet_search\`

使用此工具对给定查询运行互联网搜索。你可以指定返回的最大结果数、主题以及是否应包含原始内容。
`;

从你的提供商中选择一个模型。默认情况下，createDeepAgent 使用 claude-sonnet-4-6。传递一个 model 字符串以使用不同的提供商——完整列表请参阅推荐模型。

const agent = createDeepAgent({
  model: "google-genai:gemini-3.1-pro-preview",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

const agent = createDeepAgent({
  model: "openai:gpt-5.4",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

const agent = createDeepAgent({
  model: "anthropic:claude-sonnet-4-6",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

const agent = createDeepAgent({
  model: "openrouter:anthropic/claude-sonnet-4-6",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

const agent = createDeepAgent({
  model: "fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

const agent = createDeepAgent({
  model: "ollama:devstral-2",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

传递任何支持的模型字符串，或一个已初始化的模型实例：

const agent = createDeepAgent({
  model: "provider:model-name",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

import { initChatModel } from "langchain";

const model = await initChatModel("provider:model-name");
const agent = createDeepAgent({
  model,
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

import { Chat<Provider> } from "@langchain/<provider>";

const model = new Chat<Provider>({ model: "model-name" });
const agent = createDeepAgent({
  model,
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

步骤 5：运行代理

const result = await agent.invoke({
  messages: [{ role: "user", content: "什么是 langgraph？" }],
});

// 打印代理的响应
console.log(result.messages[result.messages.length - 1].content);

工作原理

你的深度代理会自动：

规划其方法，使用内置的 write_todos 工具来分解研究任务。
进行研究，通过调用 internet_search 工具收集信息。
管理上下文，使用文件系统工具（write_file、read_file）来卸载大型搜索结果。
按需生成子代理，将复杂的子任务委派给专门的子代理。
综合报告，将发现编译成连贯的响应。

示例

有关你可以使用深度代理构建的代理、模式和应用程序，请参阅示例。

流式传输

深度代理内置了流式传输功能，可通过 LangGraph 实现实时代理执行更新。这允许你逐步观察输出，并审查和调试代理及子代理的工作，例如工具调用、工具结果和 LLM 响应。

后续步骤

现在你已经构建了你的第一个深度代理：

自定义你的代理：了解自定义选项，包括自定义系统提示、工具和子代理。
添加长期记忆：启用跨对话的持久记忆。
部署到生产环境：了解深度代理的部署选项。

连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交问题。

Get started

Deployment

Core capabilities

Frontend

Protocols

Command line interface

前提条件

步骤 1：安装依赖

步骤 2：设置你的 API 密钥

步骤 3：创建搜索工具

步骤 4：创建深度代理

步骤 5：运行代理

工作原理

示例

流式传输

后续步骤

​前提条件

​步骤 1：安装依赖

​步骤 2：设置你的 API 密钥

​步骤 3：创建搜索工具

​步骤 4：创建深度代理

​步骤 5：运行代理

​工作原理

​示例

​流式传输

​后续步骤

前提条件

步骤 1：安装依赖

步骤 2：设置你的 API 密钥

步骤 3：创建搜索工具

步骤 4：创建深度代理

步骤 5：运行代理

工作原理

示例

流式传输

后续步骤