快速入门

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

pip install deepagents tavily-python

uv init
uv add deepagents tavily-python
uv sync

本指南使用 Tavily 作为搜索提供商的示例，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。请设置你的提供商的 API 密钥。

步骤 3：创建搜索工具

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """运行网络搜索"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

步骤 4：创建深度代理

# 指导代理成为专家研究员的系统提示
research_instructions = """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。
"""

传入 provider:model 格式的 model 字符串，或已初始化的模型实例。有关所有提供商，请参阅支持的模型，有关经过测试的推荐，请参阅建议的模型。

agent = create_deep_agent(
    model="google_genai:gemini-3.1-pro-preview",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="openai:gpt-5.4",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="openrouter:anthropic/claude-sonnet-4-6",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="baseten:zai-org/GLM-5",
    tools=[internet_search],
    system_prompt=research_instructions,
)

agent = create_deep_agent(
    model="ollama:devstral-2",
    tools=[internet_search],
    system_prompt=research_instructions,
)

传入任何支持的模型字符串，或已初始化的模型实例：

agent = create_deep_agent(
    model="provider:model-name",
    tools=[internet_search],
    system_prompt=research_instructions,
)

from langchain.chat_models import init_chat_model

model = init_chat_model("provider:model-name")
agent = create_deep_agent(
    model=model,
    tools=[internet_search],
    system_prompt=research_instructions,
)

from langchain_<provider> import Chat<Provider>

model = Chat<Provider>(model="model-name")
agent = create_deep_agent(
    model=model,
    tools=[internet_search],
    system_prompt=research_instructions,
)

步骤 5：运行代理

result = agent.invoke({"messages": [{"role": "user", "content": "What is langgraph?"}]})

# 打印代理的响应
print(result["messages"][-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：调用 internet_search 工具来收集信息。
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，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。

将这些文档连接到 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