Deep Agents 上手指南5 行代码让 AI 代理干完一整个长任务【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是 LangChain 团队开源的开箱即用AI 代理框架agent harness内置规划、文件系统、子代理和上下文管理帮想给 Python 项目接入能干长活 AI 助手的开发者省掉手写几百行代理胶水代码的麻烦。先说个熟悉的场景你让一个大模型帮我重构这个目录聊了十几轮之后它开始忘事前面改过的文件名记不清中间报错的上下文被截断你只能手动复制粘贴把上下文喂回去。或者你自己搭代理发现读文件、写文件、拆子任务、控制 token 上限这些体力活全得自己写——这些恰恰不是业务逻辑而是每次都要重复造的轮子。Deep Agents 要解决的正是这件事把长任务代理里最常见的基建规划、文件读写、委派子任务、压缩上下文打包成默认配置你只管加自己的工具和提示词。一分钟看懂它是什么一句话定位Deep Agents 是一个有主见的代理外壳。它不发明新的运行时而是站在 LangChain 的create_agent()之上、LangGraph 之下把一套默认行为提前配好子代理Sub-agents把大任务拆给独立上下文的小弟去干文件系统读、写、改、搜文件后端可插拔本地、沙箱、远程都行上下文管理长对话自动摘要工具输出可以卸载到磁盘人机协作关键工具调用可以暂停等人批准、修改或拒绝技能Skills可复用的行为包按需加载核心实现在 libs/deepagents/deepagents/graph.py 的create_deep_agent()它把模型、工具、中间件、记忆等配置组装好交给 LangGraph 执行。想深入原理可以看仓库内置的 openwiki 架构文档。Deep Agents CLI 终端界面这是配套的 dcode 终端代理产品启动即显示 LangSmith 追踪已开启、已加载的 MCP 工具数、当前工作目录和 token 用量输入问题后代理直接在本地文件系统上干活。最短路径上手装包 最小示例一共 4 行uv add deepagentsfrom deepagents import create_deep_agent agent create_deep_agent(modelopenai:gpt-5.5) result agent.invoke({messages: 调研 LangGraph 并写一份摘要})跑起来后你会看到什么代理不是回你一段话就结束而是自己进入想一步 → 干一步的循环它可能先列出任务清单内置 TodoList 规划工具再去读写文件、调你提供的工具最后给出结果。整个过程基于 LangGraph支持流式输出、断点续跑checkpoint中途断了可以从检查点恢复。模型不绑定任何支持 tool calling 的模型都能用OpenAI、Anthropic 的 API也可以走 Ollama、vLLM 跑本地开源模型。LangSmith 追踪界面以官方 text-to-sql 示例为例可以逐步看到每次模型调用、TodoList 中间件的状态更新和工具调用右侧是该步的完整输入输出调试长任务时非常直观。它是怎么工作的两个关键机制1. 文件系统当外部记忆。大模型的上下文窗口像便签纸写满了就得丢。Deep Agents 的思路和人类做项目一样进展落到文件和 git 提交里而不是全记在脑子里。仓库里的 Ralph 模式示例 把这个玩法推到了极致——用循环反复给代理喂同一个任务每轮都是全新上下文代理靠读磁盘上的已有成果来想起上一轮干到哪了Ralph 循环示意图任务输入后DeepAgent 执行一轮就把工作成果写入文件系统然后带着同一个任务再来一轮直到完成或达到迭代上限CtrlC 随时可停。2. 子代理当隔离舱。主代理遇到子任务时通过内置的task工具把它派给子代理。子代理在独立的上下文窗口里干活干完只把结论汇报回来——主代理的上下文不被中间过程淹没。类比老板派员工去做调研他要的是结论报告不需要员工看过的每一页资料。进阶玩法自定义与扩展create_deep_agent()的每个部分都能换——加自己的工具函数、接任意 MCP 服务器当外部工具源、写 system prompt、配置多个子代理。不满意的默认行为可以按模块覆盖或替换不用 fork 整个仓库。多后端与沙箱文件系统和 Shell 执行支持插拔后端libs/partners/ 下有 Daytona、Modal、Runloop、Vercel 等现成集成一个参数就能把代理的执行环境挪到远程沙箱里。不止是 SDKexamples/ 目录里有十几个可直接参考的完整案例——深度调研代理、text-to-sql、内容创作、GPU 数据分析、定时任务宿主libs/talon/从能跑到能部署都有样板可抄。避坑与边界安全模型是信任 LLM代理能做什么完全取决于你给了它什么工具官方明确建议边界控制在工具/沙箱层而不是指望模型自觉。给生产环境用之前先想清楚工具权限面。长任务 ≠ 免费代理循环上限默认设到 9999 步跑得越久 token 消耗越可观建议配合迭代上限和成本监控。它不是万能的图引擎如果你的编排逻辑本身就不是模型-工具循环的形状直接下探到 LangGraph 自己画图更合适想要更轻的外壳LangChain 的create_agent()也够用。三者的分层关系在 README FAQ 里写得很清楚。谁适合用想给产品接 AI 助手的 Python 开发者最合适的场景。不想从裸 LangGraph 起步、又要处理文件和多步骤任务它把默认配置省下来了。做自动化/数据管线的人Ralph 循环 沙箱后端适合给个目标让它自己迭代的批量任务。只需要一问一答聊天的应用不需要。为它引入的上下文中转、子代理这些机制是多余的开销普通的create_agent()甚至直接调模型 API 就够了。写在最后Deep Agents 的价值在于把让代理干长活的体力活标准化了你写业务工具和提示词它负责规划、文件、委派和上下文。建议从 examples/deep_research/ 这个调研代理跑起再对照 openwiki/quickstart.md 找到自己的深入路径。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Deep Agents 上手指南5 行代码让 AI 代理干完一整个长任务【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是 LangChain 团队开源的开箱即用AI 代理框架agent harness内置规划、文件系统、子代理和上下文管理帮想给 Python 项目接入能干长活 AI 助手的开发者省掉手写几百行代理胶水代码的麻烦。先说个熟悉的场景你让一个大模型帮我重构这个目录聊了十几轮之后它开始忘事前面改过的文件名记不清中间报错的上下文被截断你只能手动复制粘贴把上下文喂回去。或者你自己搭代理发现读文件、写文件、拆子任务、控制 token 上限这些体力活全得自己写——这些恰恰不是业务逻辑而是每次都要重复造的轮子。Deep Agents 要解决的正是这件事把长任务代理里最常见的基建规划、文件读写、委派子任务、压缩上下文打包成默认配置你只管加自己的工具和提示词。一分钟看懂它是什么一句话定位Deep Agents 是一个有主见的代理外壳。它不发明新的运行时而是站在 LangChain 的create_agent()之上、LangGraph 之下把一套默认行为提前配好子代理Sub-agents把大任务拆给独立上下文的小弟去干文件系统读、写、改、搜文件后端可插拔本地、沙箱、远程都行上下文管理长对话自动摘要工具输出可以卸载到磁盘人机协作关键工具调用可以暂停等人批准、修改或拒绝技能Skills可复用的行为包按需加载核心实现在 libs/deepagents/deepagents/graph.py 的create_deep_agent()它把模型、工具、中间件、记忆等配置组装好交给 LangGraph 执行。想深入原理可以看仓库内置的 openwiki 架构文档。Deep Agents CLI 终端界面这是配套的 dcode 终端代理产品启动即显示 LangSmith 追踪已开启、已加载的 MCP 工具数、当前工作目录和 token 用量输入问题后代理直接在本地文件系统上干活。最短路径上手装包 最小示例一共 4 行uv add deepagentsfrom deepagents import create_deep_agent agent create_deep_agent(modelopenai:gpt-5.5) result agent.invoke({messages: 调研 LangGraph 并写一份摘要})跑起来后你会看到什么代理不是回你一段话就结束而是自己进入想一步 → 干一步的循环它可能先列出任务清单内置 TodoList 规划工具再去读写文件、调你提供的工具最后给出结果。整个过程基于 LangGraph支持流式输出、断点续跑checkpoint中途断了可以从检查点恢复。模型不绑定任何支持 tool calling 的模型都能用OpenAI、Anthropic 的 API也可以走 Ollama、vLLM 跑本地开源模型。LangSmith 追踪界面以官方 text-to-sql 示例为例可以逐步看到每次模型调用、TodoList 中间件的状态更新和工具调用右侧是该步的完整输入输出调试长任务时非常直观。它是怎么工作的两个关键机制1. 文件系统当外部记忆。大模型的上下文窗口像便签纸写满了就得丢。Deep Agents 的思路和人类做项目一样进展落到文件和 git 提交里而不是全记在脑子里。仓库里的 Ralph 模式示例 把这个玩法推到了极致——用循环反复给代理喂同一个任务每轮都是全新上下文代理靠读磁盘上的已有成果来想起上一轮干到哪了Ralph 循环示意图任务输入后DeepAgent 执行一轮就把工作成果写入文件系统然后带着同一个任务再来一轮直到完成或达到迭代上限CtrlC 随时可停。2. 子代理当隔离舱。主代理遇到子任务时通过内置的task工具把它派给子代理。子代理在独立的上下文窗口里干活干完只把结论汇报回来——主代理的上下文不被中间过程淹没。类比老板派员工去做调研他要的是结论报告不需要员工看过的每一页资料。进阶玩法自定义与扩展create_deep_agent()的每个部分都能换——加自己的工具函数、接任意 MCP 服务器当外部工具源、写 system prompt、配置多个子代理。不满意的默认行为可以按模块覆盖或替换不用 fork 整个仓库。多后端与沙箱文件系统和 Shell 执行支持插拔后端libs/partners/ 下有 Daytona、Modal、Runloop、Vercel 等现成集成一个参数就能把代理的执行环境挪到远程沙箱里。不止是 SDKexamples/ 目录里有十几个可直接参考的完整案例——深度调研代理、text-to-sql、内容创作、GPU 数据分析、定时任务宿主libs/talon/从能跑到能部署都有样板可抄。避坑与边界安全模型是信任 LLM代理能做什么完全取决于你给了它什么工具官方明确建议边界控制在工具/沙箱层而不是指望模型自觉。给生产环境用之前先想清楚工具权限面。长任务 ≠ 免费代理循环上限默认设到 9999 步跑得越久 token 消耗越可观建议配合迭代上限和成本监控。它不是万能的图引擎如果你的编排逻辑本身就不是模型-工具循环的形状直接下探到 LangGraph 自己画图更合适想要更轻的外壳LangChain 的create_agent()也够用。三者的分层关系在 README FAQ 里写得很清楚。谁适合用想给产品接 AI 助手的 Python 开发者最合适的场景。不想从裸 LangGraph 起步、又要处理文件和多步骤任务它把默认配置省下来了。做自动化/数据管线的人Ralph 循环 沙箱后端适合给个目标让它自己迭代的批量任务。只需要一问一答聊天的应用不需要。为它引入的上下文中转、子代理这些机制是多余的开销普通的create_agent()甚至直接调模型 API 就够了。写在最后Deep Agents 的价值在于把让代理干长活的体力活标准化了你写业务工具和提示词它负责规划、文件、委派和上下文。建议从 examples/deep_research/ 这个调研代理跑起再对照 openwiki/quickstart.md 找到自己的深入路径。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
