LangChain DeepAgents深度解析：打造复杂场景的深度智能体

LangChain 1.0与LangGraph 1.0的发布标志着通用智能体Agent框架迈入成熟阶段。而在此基础上推出的DeepAgents作为LangChain生态的第三大独立开源Agent框架更是为复杂、多步骤、长时间运行的Agent开发提供了全新解决方案。它以LangGraph为运行时基础、LangChain为高层接口通过预置中间件能力让开发者用更少代码实现更Deep的智能体能力彻底解决传统Agent在复杂场景中任务规划混乱、上下文膨胀、记忆缺失等痛点。本文将从框架定位、核心机制、底层原理到实战落地全方位拆解DeepAgents带你快速掌握这一新一代智能体开发工具。01 框架定位LangChain生态的三层分工要理解DeepAgents的价值首先要明确它与LangGraph、LangChain在生态中的清晰分工三者层层封装、各有侧重共同构成LangChain 1.0时代的智能体开发体系LangGraph底层核心提供持久化、可观测的运行时Runtime负责构建Agent的底层工作流支持ReAct、Plan-then-Execute等多种范式开发者可从底层掌控AI决策与流程固化但实现复杂度较高。LangChain中层封装基于LangGraph提供更简洁的Agent接口create_agent并引入中间件Middleware扩展机制降低基础Agent的开发门槛。DeepAgents高层增强在LangChain接口LangGraph运行时之上进一步封装核心接口create_deep_agent在create_agent基础上增加了任务规划、文件系统、长期记忆、子智能体协作等预置中间件能力专门针对复杂多步骤任务设计。适用场景选择简单单步骤Agent开发直接使用LangChain的create_agent即可当需要构建多步骤、长时间运行且要求任务规划、持久化记忆、分工协作能力的深度Agent时DeepAgents是最优选择。02 核心能力三大机制突破传统Agent局限一任务规划让Agent学会先计划再执行传统Agent依赖大模型直接推理执行复杂任务极易出现步骤混乱、目标偏离的问题。DeepAgents借鉴OpenAI Deep Research、Claude Code的设计思路通过内置工具write_todos实现结构化任务规划让Agent在执行前制定步骤清单执行中跟踪进度、动态调整从根本上解决规划能力缺失的问题。触发条件①任务目标复杂涉及多步骤执行②用户明确要求先规划再执行③完成单个步骤后需要修订清单、标记状态。核心特点轻量触发简单任务默认不触发、动态调整每完成一步自动更新清单、状态持久规划清单写入Agent的State中。import osfrom deepagents import create_deep_agentfrom langchain_community.tools import DuckDuckGoSearchRunos.environ[OPENAI_API_KEY] 你的OpenAI API密钥OPENAI_MODEL gpt-3.5-turbo-1106RECURSION_LIMIT 50search DuckDuckGoSearchRun(namesearch)main_tools [search]SYSTEM_PROMPT 你是专业的股票分析助手负责为用户提供全面的股票分析报告。工作流程1. 先通过write_todos工具制定详细的分析步骤清单2. 按照清单逐一执行完成每个步骤后更新清单状态3. 最终整合所有信息生成Markdown格式的分析报告。工具使用仅使用search工具获取股票相关信息。agent create_deep_agent( modelfopenai:{OPENAI_MODEL}, toolsmain_tools, system_promptSYSTEM_PROMPT, debugTrue).with_config({recursion_limit: RECURSION_LIMIT})# 启动LangGraph Dev面板观测运行命令行执行 langgraph dev二虚拟文件系统为Agent配备可持久化的笔记本复杂任务执行过程中Agent需要记录大量中间结果、最终报告且要求跨会话、跨线程复用这些信息。DeepAgents的虚拟文件系统机制为Agent配备了一套可插拔、可扩展的文件读写体系支持临时存储、本地持久、跨会话记忆等多种存储方式解决了传统Agent上下文膨胀、记忆缺失的问题。四大后端存储方案BackendStateBackend线程临时、FileSystemBackend本地持久、StoreBackend跨会话持久、CompositeBackend复合最常用。核心工具write_file写入文件、read_file读取文件、list_files列出文件。import osfrom deepagents import create_deep_agentfrom deepagents.backends import CompositeBackend, FilesystemBackend, StoreBackendfrom langchain_community.tools import DuckDuckGoSearchRunos.environ[OPENAI_API_KEY] 你的OpenAI API密钥OPENAI_MODEL gpt-3.5-turbo-1106RECURSION_LIMIT 50search DuckDuckGoSearchRun(namesearch)main_tools [search]def create_backend(runtime): return CompositeBackend( defaultFilesystemBackend(root_dir./stock_analysis/fs, virtual_modeTrue), routes{/memories/: StoreBackend(runtime)} )SYSTEM_PROMPT 你是专业的股票分析助手分析流程1. 用write_todos制定分析步骤2. 用search工具获取股票信息3. 将分析结果以Markdown格式写入/reports/股票名称.md4. 将分析过的股票名称追加写入/memories/my_stocks.md格式为- 股票名称5. 完成后告知用户报告存储路径。agent create_deep_agent( modelfopenai:{OPENAI_MODEL}, toolsmain_tools, backendcreate_backend, system_promptSYSTEM_PROMPT, debugTrue).with_config({recursion_limit: RECURSION_LIMIT})# 启动 langgraph dev运行效果分析结果保存到本地./stock_analysis/fs/reports/XXX.md股票名称写入LangGraph Store的/memories/my_stocks.md新线程中输入“查看我分析过的股票”Agent会读取并输出实现跨会话记忆。三子智能体Subagents让Agent学会分工协作现实中复杂项目由专业人员分工完成DeepAgents的子智能体机制将这一思路引入AI领域让主Agent可根据任务需求派生子智能体负责特定专业子任务实现上下文隔离与专长分离解决了单一Agent在复杂任务中上下文膨胀、专业能力不足的问题。核心优势上下文隔离、专长分离、灵活扩展。实现方式主Agent通过内置task工具将子任务派发给对应的子智能体子智能体独立执行后返回结果主Agent整合所有子结果生成最终答案。import osfrom deepagents import create_deep_agentfrom langchain_community.tools import DuckDuckGoSearchRunos.environ[OPENAI_API_KEY] 你的OpenAI API密钥OPENAI_MODEL gpt-3.5-turbo-1106RECURSION_LIMIT 50search DuckDuckGoSearchRun(namesearch)main_tools [search]fundamental_analyst { name: 基本面分析师, description: 负责分析股票的公司概况、财务报表、分红、筹码分布等基本面信息, system_prompt: 你是资深股票基本面分析师仅使用search工具获取股票的基本面信息输出结构化分析结果。, tools: [search], model: fopenai:{OPENAI_MODEL},}technical_analyst { name: 技术面分析师, description: 负责分析股票的历史价格、均线、RSI、MACD等技术指标与交易信号, system_prompt: 你是资深股票技术面分析师仅使用search工具获取股票的技术面信息输出技术分析与买卖信号。, tools: [search], model: fopenai:{OPENAI_MODEL},}news_analyst { name: 消息面分析师, description: 负责分析股票的近期公司公告、行业新闻、机构研报等市场消息, system_prompt: 你是资深股票消息面分析师仅使用search工具获取股票的近期消息分析消息对股价的影响。, tools: [search], model: fopenai:{OPENAI_MODEL},}subagents [fundamental_analyst, technical_analyst, news_analyst]SYSTEM_PROMPT 你是股票分析总协调师负责统筹分析任务1. 接收到股票分析请求后用task工具将任务派发给对应的子智能体2. 基本面分析派发给基本面分析师技术面分析派发给技术面分析师消息面分析派发给消息面分析师3. 接收所有子智能体的分析结果整合为一份完整的Markdown格式分析报告4. 将报告写入/reports/股票名称_综合分析.md。agent create_deep_agent( modelfopenai:{OPENAI_MODEL}, toolsmain_tools, subagentssubagents, system_promptSYSTEM_PROMPT, debugTrue).with_config({recursion_limit: RECURSION_LIMIT})# 启动 langgraph dev运行效果输入“分析XXX的综合情况”主Agent调用task工具将任务拆分为三个子任务分别派发给三个子智能体子智能体独立执行后返回结果主Agent整合生成综合分析报告并保存到本地。03 底层原理基于中间件的解耦式扩展DeepAgents的所有核心能力均基于LangChain 1.0引入的**中间件Middleware**机制实现。从工作流来看DeepAgents与普通ReAct Agent并无本质区别其本质是在LangChain Agent的主循环中插入了多个预置的中间件通过“钩子”方式扩展Agent行为实现了功能与核心逻辑的解耦。三大核心中间件TodoListMiddleware任务规划、FilesystemMiddleware虚拟文件系统、SubAgentMiddleware子智能体协作。核心价值低侵入性无需修改Agent核心逻辑、高度可定制、生态可扩展。04 实战落地可直接运行的DeepAgents完整案例一环境准备# 安装依赖pip install deepagents langchain langchain-openai langchain-community langgraph langsmith# 配置环境变量Linux/Macexport OPENAI_API_KEY你的OpenAI API密钥export LANGCHAIN_API_KEY你的LangSmith API密钥export LANGCHAIN_TRACINGtrue# Windowsset OPENAI_API_KEY你的OpenAI API密钥set LANGCHAIN_API_KEY你的LangSmith API密钥set LANGCHAIN_TRACINGtrueLangSmith API密钥可在LangChain官网免费获取用于可视化观测Agent的工具调用、状态变化与执行流程。二完整可运行代码DeepAgents深度研究智能体功能1. 任务规划 2. 网络搜索 3. 本地报告持久化 4. 研究记录跨会话记忆import osfrom deepagents import create_deep_agentfrom deepagents.backends import CompositeBackend, FilesystemBackend, StoreBackendfrom langchain_community.tools import DuckDuckGoSearchRunfrom langchain_openai import ChatOpenAIOPENAI_MODEL gpt-3.5-turbo-1106RECURSION_LIMIT 100search_tool DuckDuckGoSearchRun(nameweb_search, description通用网络搜索工具用于获取任意主题的最新信息)tools [search_tool]def init_backend(runtime): return CompositeBackend( defaultFilesystemBackend(root_dir./deep_research/reports, virtual_modeTrue), routes{/memories/: StoreBackend(runtime)} )SYSTEM_PROMPT 你是资深的深度研究专家负责为用户提供专业、全面的主题研究报告严格遵循以下工作流程步骤1接收到研究请求后立即使用write_todos工具制定详细的研究步骤清单清单需包含信息收集、信息整理、报告撰写三个核心阶段步骤2按照步骤清单使用web_search工具逐一收集相关信息完成每个步骤后更新清单状态步骤3信息收集完成后撰写结构化的Markdown格式研究报告包含研究背景、核心内容、总结分析三个部分步骤4将研究报告写入/reports/研究主题.md文件文件名称替换为实际研究主题步骤5将研究主题与研究时间追加写入/memories/research_history.md格式为- 研究主题研究时间YYYY-MM-DD HH:MM步骤6完成后告知用户报告的本地存储路径并提示可查询研究历史。报告要求逻辑清晰、内容详实、数据准确避免无关信息字数不少于500字。research_agent create_deep_agent( modelfopenai:{OPENAI_MODEL}, toolstools, backendinit_backend, system_promptSYSTEM_PROMPT, debugTrue).with_config({recursion_limit: RECURSION_LIMIT})# 命令行执行langgraph dev # 启动LangGraph Dev面板三运行与验证启动智能体将上述代码保存为deep_research_agent.py在代码目录执行命令langgraph dev浏览器会自动打开LangSmith Studio面板。输入任务在面板的聊天框中输入复杂研究请求如“深度研究2025年AI大模型行业发展趋势”即可看到智能体的执行流程。验证能力任务规划调用write_todos、工具调用按清单调用web_search、报告持久化本地./deep_research/reports/目录、跨会话记忆新线程中输入“查看我的研究历史”。四功能扩展建议替换工具将DuckDuckGoSearchRun替换为专业搜索工具如Tavily、SerpAPI提升信息获取的准确性与时效性。增加子智能体添加“数据分析师”“报告润色师”等子智能体实现更专业的研究分工。对接知识库集成LangChain的RAG能力让智能体从本地知识库中获取信息提升研究深度。自定义后端实现BackendProtocol接口将虚拟文件系统映射到阿里云OSS、腾讯云COS等云存储实现报告的云端持久化。05 总结DeepAgents的诞生标志着LangChain生态的智能体开发能力迈入新台阶。它以“让复杂Agent更容易开发”为核心目标通过三层生态分工明确自身定位以任务规划、虚拟文件系统、子智能体协作三大核心机制突破传统Agent局限基于中间件实现解耦式扩展让开发者用最少的代码构建具备深度思考、持久记忆、分工协作能力的智能体。无论是金融领域的股票分析、科研领域的深度研究还是办公领域的自动化流程DeepAgents都能提供开箱即用的解决方案。随着版本的迭代与生态的丰富这一框架将成为复杂场景智能体开发的首选工具推动AI从“单任务助手”向“多任务专家”转变。现在就动手尝试DeepAgents开启你的深度智能体开发之旅学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】