Deep Agents 概述 - Docs by LangChain

开始构建由大语言模型驱动的代理和应用程序的最简单方式——内置任务规划、用于上下文管理的文件系统、子代理生成和长期记忆功能。您可以将深度代理用于任何任务，包括复杂的多步骤任务。我们将 deepagents 视为一种”代理工具集”。它与其他代理框架具有相同的核心工具调用循环，但内置了工具和功能。 deepagents 是一个独立的库，构建在 LangChain 的代理核心构建模块之上。它使用 LangGraph 运行时实现持久执行、流式处理、人机协作等功能。 deepagents 仓库包含：

Deep Agents SDK：一个用于构建能处理任何任务的代理的包
Deep Agents CLI：基于 Deep Agents SDK 构建的终端编码代理
ACP 集成：用于在 Zed 等代码编辑器中使用深度代理的 Agent Client Protocol 连接器

LangChain 是为您的代理提供核心构建模块的框架。要了解更多关于 LangChain、LangGraph 和 Deep Agents 之间的区别，请参阅框架、运行时和工具集。

创建深度代理

# pip install -qU deepagents langchain-google-genai
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="google_genai:gemini-3.1-pro-preview",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-openai
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="openai:gpt-5.4",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-anthropic
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-openrouter
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="openrouter:anthropic/claude-sonnet-4-6",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-fireworks
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-baseten
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="baseten:zai-org/GLM-5",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

# pip install -qU deepagents langchain-ollama
from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """获取给定城市的天气。"""
    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",
)

# 运行代理
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

请参阅快速入门和自定义指南，开始使用 Deep Agents 构建您自己的代理和应用程序。

使用 LangSmith 追踪请求、调试代理行为并评估输出。设置 LANGSMITH_TRACING=true 和您的 API 密钥即可开始。

何时使用 Deep Agents

当您想要构建能够执行以下操作的代理时，请使用 Deep Agents SDK：

处理需要规划和分解的复杂多步骤任务
通过文件系统工具和摘要功能管理大量上下文
切换文件系统后端以使用内存状态、本地磁盘、持久存储、沙箱或您自己的自定义后端
在使用沙箱后端时通过 execute 工具执行 shell 命令
将工作委派给专门的子代理以实现上下文隔离
跨对话和线程持久化记忆
使用声明式权限规则控制文件系统访问，限制代理可以读取或写入的文件
通过人机协作工作流要求敏感操作的人工批准
使用任何模型——与提供商无关，支持前沿模型和开源模型

对于构建更简单的代理，请考虑使用 LangChain 的 create_agent 或构建自定义 LangGraph 工作流。

核心功能

规划和任务分解

Deep Agents 包含一个内置的 write_todos 工具，使代理能够将复杂任务分解为离散步骤、跟踪进度并在新信息出现时调整计划。

上下文管理

文件系统工具（ls、read_file、write_file、edit_file）允许代理将大量上下文卸载到内存或文件系统存储，防止上下文窗口溢出，并支持处理可变长度的工具结果。当上下文窗口变长时，自动摘要功能会压缩较旧的对话消息，使代理在长时间会话中保持有效。

Shell 执行

使用沙箱后端时，代理会获得一个 execute 工具来运行 shell 命令，用于测试、构建、git 操作和系统任务。沙箱后端提供隔离，使代理可以执行代码而不会危及您的主机系统。

可插拔文件系统后端

虚拟文件系统由可插拔后端驱动，您可以根据用例进行切换。选择包括内存状态、本地磁盘、用于跨线程持久化的 LangGraph 存储、用于隔离代码执行的沙箱（Modal、Daytona、Deno），或使用组合路由组合多个后端。您也可以实现自己的自定义后端。

子代理生成

内置的 task 工具使代理能够生成专门的子代理以实现上下文隔离。这保持了主代理上下文的清晰，同时仍然可以深入处理特定子任务。

长期记忆

使用 LangGraph 的内存存储扩展代理，实现跨线程的持久记忆。代理可以保存和检索先前对话中的信息。

文件系统权限

声明权限规则来控制代理可以读取或写入的文件和目录。子代理可以继承或覆盖父级的规则。

人机协作

使用 LangGraph 的中断功能配置敏感工具操作的人工批准。控制哪些工具在执行前需要确认。

技能

使用可重用的技能扩展代理，这些技能提供专门的工作流、领域知识和自定义指令。

智能默认值

附带经过深思熟虑的系统提示，教导模型如何有效使用其工具——行动前规划、验证工作并管理上下文。根据需要自定义或替换默认值。

开始使用

快速入门

构建您的第一个深度代理

自定义

了解自定义选项

模型

配置模型和提供商

后端

选择和配置可插拔文件系统后端

沙箱

在隔离环境中执行代码

权限

使用权限规则控制文件系统访问

人机协作

配置敏感操作的批准

CLI

使用 Deep Agents CLI

ACP

通过 ACP 在代码编辑器中使用深度代理

参考

查看 deepagents API 参考

将这些文档通过 MCP 连接到 Claude、VSCode 等，以获取实时答案。

在 GitHub 上编辑此页面或提交问题。

​ 创建深度代理

​何时使用 Deep Agents

​核心功能

规划和任务分解

上下文管理

Shell 执行

可插拔文件系统后端

子代理生成

长期记忆

文件系统权限

人机协作

技能

智能默认值

​开始使用

快速入门

自定义

模型

后端

沙箱

权限

人机协作

CLI

ACP

参考

创建深度代理

何时使用 Deep Agents

核心功能

开始使用