LangChain推出Deep Agents重塑AI系统构建新范式

在开发智能体（Agent）应用时，你是否也陷入过这样的困境？初期使用 LangChain 的链条（chains）构建简单流程，一切顺利。然而，当任务复杂度提升——涉及工具调用、循环逻辑、处理可变长度输出时——链条架构便显得捉襟见肘。转而投入 LangGraph 的怀抱，却又发现大量开发时间被消耗在定义状态模式、条件边和编译图上，而非解决核心业务问题。

这并非 LangGraph 的缺陷，它本身是一个极其强大的运行时（runtime）。问题的关键在于，许多开发者误将其当作应用框架（application framework）来使用。LangChain 团队敏锐地洞察到了这一普遍痛点，并推出了他们的解决方案：deepagents。

Deep Agents 实战演示

Deep Agents 深度解析：它究竟是什么？

首先需要明确，“deep agents”这个名称听起来可能有些宽泛。实际上，deepagents 是一个构建在 LangChain 和 LangGraph 之上的独立 Python 库（通过 pip install deepagents 安装）。LangChain 官方文档将其定位为一个“智能体框架”（agent harness）：它提供了与其他框架相同的核心工具调用循环，但其核心价值在于内置了一套开箱即用的能力，开发者无需重复造轮子。

它的核心入口函数是 create_deep_agent()。一个最简化的示例如下：

from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

agent.invoke(
    {"messages": [{"role": "user", "content": "What is the weather in Mumbai?"}]}
)

看，一个函数调用就完成了智能体的创建。底层的 LangGraph 图构建、状态管理、流式处理和上下文窗口管理等复杂逻辑均由库自动处理，开发者完全无需介入。然而，其真正的亮点在于默认内置的五大核心能力。

五大核心能力：为何 Deep Agents 与众不同

1. 内置规划能力：write_todos 工具

每个 deep agent 都自动拥有一个 write_todos 工具。当面对复杂任务时，智能体会主动调用此工具，将工作拆解为离散的步骤，并持续跟踪每个步骤的状态（pending、in_progress、completed），在任务推进过程中动态调整计划。

这一功能至关重要，因为它不仅仅是一个提示词技巧——待办事项列表会被持久化在智能体的状态中。智能体可以随时回顾、更新它，并在整个会话生命周期内引用。开发者不再需要手动提示模型“逐步思考”，这种结构化的规划能力已深度集成于框架之中。

2. 虚拟文件系统：智能的上下文管理

这可能是最令人惊喜的功能。Deep agents 默认配备了一组完整的文件系统操作工具：ls、read_file、write_file、edit_file、glob 和 grep。

你可能会问：为什么智能体需要一个文件系统？答案在于：高效的上下文管理。

大语言模型（LLM）的上下文窗口是有限的。在进行长时间的调研、运行代码或处理大型工具输出时，会话历史很容易爆炸式增长，导致关键信息被挤出窗口。Deep agents 的解决方案是将大块内容“卸载”（offload）到虚拟文件系统中，而不是全部塞进有限的上下文里。

当某个工具的输出结果超过 20,000 个令牌（tokens）时，库会自动将其保存到配置好的后端存储，并在上下文中用文件路径引用和10行关键预览来替代冗长的原文。之后，智能体可以在需要时通过 read_file 或 grep 工具精确读取所需内容。这是一种智能的上下文压缩策略——既不是简单的分块（chunking），也不是粗暴的截断（truncation），而是有目的的卸载与按需检索。

文件系统的后端是可配置的：可以是内存（默认）、本地磁盘、用于跨线程持久化的 LangGraph Store，或者是像 Modal、Daytona 这样的沙盒环境。这种可插拔的设计提供了极大的灵活性。

3. 子智能体生成（Subagent Spawning）：任务委派的艺术

框架内置了一个 task 工具，允许主智能体为特定的、隔离的子任务生成专门的子智能体。

为什么这一点比听起来更重要？在长时间的复杂任务中，如果让单个智能体处理所有事情，其上下文会被中间步骤、搜索结果和各种半成品信息污染。子智能体提供了一个优雅的解决方案：主智能体将特定的子任务委托给一个拥有全新、干净上下文的新智能体实例。子智能体自主运行、完成工作，最终仅将一个精炼的总结返回给主智能体。这样，主智能体的上下文就能始终保持清晰和专注。

你可以配置拥有自定义工具和专属系统提示词（system prompts）的子智能体：

from deepagents import create_deep_agent, Subagent

code_reviewer = Subagent(
    name="code-reviewer",
    system_prompt="You are an expert code reviewer. Analyze code for bugs, style, and performance.",
    tools=[read_file_tool],
)

agent = create_deep_agent(
    tools=[internet_search],
    subagents=[code_reviewer],
    system_prompt="You are a research and engineering assistant.",
)

此外，一个默认的通用型子智能体（配备文件系统工具）始终可用，无需任何额外配置。

4. 自动上下文压缩与摘要：突破窗口限制

这正是该库在处理超长会话任务时体现核心价值的地方。

当智能体的上下文长度达到模型窗口限制的85%，且没有更多内容可以卸载到文件系统时，框架会自动触发摘要生成。一个 LLM 会生成结构化的会话摘要——包括核心意图、已完成的关键成果、下一步计划——并用这个摘要替换工作内存中的完整历史记录。原始消息则被安全地保存到文件系统中作为权威记录，智能体在必要时仍可找回具体细节。

最终结果是，deep agents 可以在极其复杂的任务上近乎无限期地运行，而不会触及上下文限制——这在使用原生 LangGraph 时，通常需要开发者投入大量精力进行手动工程化实现。

5. 跨会话的长期记忆：构建有记忆的智能体

默认情况下，智能体状态仅存在于单个线程（thread）的生命周期内。但如果使用结合了 LangGraph Store 的 CompositeBackend 进行配置，智能体就能在多个会话与线程之间持久化记忆。

存放在 /memories/ 路径（或自定义位置）下的文件，在智能体重启后依然存在，并且可以从任何会话线程访问。这使得构建一个能记住用户偏好、项目代码库约定，或持续数天甚至数周的研究进展的智能体成为可能。

from deepagents import create_deep_agent
from deepagents.backends import CompositeBackend, StateBackend, StoreBackend
from langgraph.store.memory import InMemoryStore

store = InMemoryStore()
backend = CompositeBackend(
    routes={"/memories/": StoreBackend(store=store)},
    default=StateBackend(),
)

agent = create_deep_agent(
    tools=[...],
    backend=backend,
    memory=["path/to/AGENTS.md"],  # persistent context file
)

生态定位：Deep Agents 在 LangChain 体系中的角色

这部分容易产生混淆，值得明确阐述。

LangChain 是提供基础构件的底层框架：模型（models）、工具（tools）、提示词（prompts）、链条（chains）。它是整个生态的基石。

LangGraph 是一个用于构建持久化、有状态的、基于图的智能体的运行时引擎。它处理持久化、流式传输、中断恢复和复杂的条件流控制。它是驱动智能体运行的“发动机”。

Deep Agents 是构建在两者之上的高层应用框架。它并非 LangGraph 的替代品——其底层完全依赖 LangGraph 运行。它提供的是更高层级的、开箱即用的 API 和有主见的默认配置，让开发者无需每次都从零开始实现规划器、文件系统层、上下文压缩和子智能体等基础设施。

一个形象的比喻：LangGraph 给你的是发动机和变速箱。Deep Agents 给你的是一辆组装好、加满油、可以直接上路的整车。

对于简单的、单次交互的智能体，使用 LangChain 的 create_agent 可能就足够了。但对于复杂的、长时间的、多步骤的、并且有大量上下文管理需求的任务，deepagents 所提供的抽象层才真正物超所值。

实战：快速构建一个研究型智能体

让我们通过一个实用案例来快速上手——构建一个能够搜索网页并产出结构化报告的研究型智能体：

import os
from typing import Literal
from ta vily import Ta vilyClient
from deepagents import create_deep_agent

ta vily_client = Ta vilyClient(api_key=os.environ["TA VILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search and return results."""
    return ta vily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

research_instructions = """
You are an expert researcher. Your job is to conduct thorough research and then write a polished report.
Use internet_search to gather information.
Write your findings to files as you go to a void losing context.
Use write_todos to plan your research steps before starting.
"""

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

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "Research the current state of agentic AI frameworks in 2025 and write a structured report."
    }]
})

print(result["messages"][-1].content)

运行后，框架将自动处理以下流程：

• 智能体首先调用 write_todos 工具来规划详细的研究步骤。
• 执行网络搜索，并将庞大的搜索结果自动卸载到虚拟文件系统。
• 如果任务特别复杂，它会生成子智能体来处理特定部分。
• 在撰写报告时，按需回读相关文件并进行信息综合。
• 整个过程中，框架自动管理上下文，确保模型永远不会触及令牌窗口极限。

所有这些复杂的基础设施逻辑，你无需编写一行代码——框架已为你内置。

Deep Agents CLI：强大的命令行工具

另一个值得了解的特性是：deepagents 还提供了一个基于同一 SDK 构建的命令行智能体。

pip install deepagents
deepagents  # launches the interactive CLI agent

这是一个可以直接在终端中运行的编程助手智能体——你可以将其理解为 Claude Code 或 Aider 的同类，但其底层基于强大的 Deep Agents SDK 构建。它支持交互模式、非交互管道模式（用于脚本化的 -n 标志）、自定义技能（skills），以及持久化记忆。你可以教会它你的项目特定约定，它会在不同会话间记住这些信息。

这意味着，支撑你生产级研究型智能体的同一套 SDK，同时也提供了一个开箱即用、功能强大的开发者工具。

适用场景与选择指南

何时应该使用 deepagents：

• 任务需要结构化规划，并由多个依赖步骤完成。
• 工具调用会产生大量输出，需要在长会话中进行智能管理。
• 你需要子智能体进行任务委派，但不想自己搭建复杂的基础设施。
• 应用需要跨会话或跨线程的持久化记忆能力。
• 你正在构建编程助手、自主研究系统或复杂的多步骤工作流。

何时应继续使用 LangChain 的 create_agent 或原生 LangGraph：

• 你的智能体逻辑非常简单：仅涉及一两次工具调用、回复简短。
• 你需要对图（Graph）的拓扑结构和控制流有极细粒度的、完全自定义的控制。
• 你已经深度投入并定制了复杂的 LangGraph 工作流，不希望被框架的“有主见”的默认设置所约束。

该库在其官方文档中也坦诚建议：简单的任务，就使用更简单的工具。

深层意义：为何这不只是又一个框架

其发布的时机值得深思。

智能体 AI 目前正处在一个关键拐点。基础模式——如工具调用、ReAct 循环、简单的 RAG——已被广泛掌握。行业现在集中攻坚的难点，是如何让智能体在长期任务（long-horizon tasks）上更可靠：那些需要复杂规划、处理超大上下文、具备持久化能力和任务委派能力的任务。

每个开发生产级智能体的团队，都不得不从零开始工程化解决这些相同的问题。上下文管理策略、子智能体模式、记忆架构——这些方案在不同组织中被以略微不同的形式重复构建。

deepagents 代表了 LangChain 的一个战略判断：这些解决方案已经足够通用，可以将其标准化。所谓智能体框架——通过有主见的默认设置、内建的基础设施、可插拔的后端——正是试图将行业焦点从“如何搭建技术管道？”转向“我们究竟希望智能体实现什么业务价值？”的一次重要尝试。

它能否成功，取决于这些默认设置在真实、复杂的生产环境中是否经得起考验。但从设计哲学和方向来看，这无疑是正确的思路。

快速开始指南

pip install deepagents ta vily-python

设置你的 API 密钥：

export ANTHROPIC_API_KEY="your-key"
export TA VILY_API_KEY="your-key"
export LANGSMITH_TRACING=true  # optional, for debugging
export LANGSMITH_API_KEY="your-key"

完整的官方文档——包括后端（backends）配置、子智能体（subagents）详解、沙盒（sandboxes）集成、人在回路（human-in-the-loop）以及 CLI 高级用法——可以在 docs.langchain.com/oss/python/deepagents 找到。

如果你目前正在从事任何严肃的智能体项目，花一个下午深入了解 deepagents 在你的技术栈中可能扮演的角色，都是非常值得的时间投资——即使你不会立刻采用它。