当前位置：首页 > news >正文

LangChain DeepAgents深度解析：打造复杂场景的深度智能体

news 2026/8/2 17:27:26

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-1106"RECURSION_LIMIT = 50search = DuckDuckGoSearchRun(name="search")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( model=f"openai:{OPENAI_MODEL}", tools=main_tools, system_prompt=SYSTEM_PROMPT, debug=True).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（Backend）：StateBackend（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-1106"RECURSION_LIMIT = 50search = DuckDuckGoSearchRun(name="search")main_tools = [search]def create_backend(runtime): return CompositeBackend( default=FilesystemBackend(root_dir="./stock_analysis/fs", virtual_mode=True), 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.md；4. 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( model=f"openai:{OPENAI_MODEL}", tools=main_tools, backend=create_backend, system_prompt=SYSTEM_PROMPT, debug=True).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-1106"RECURSION_LIMIT = 50search = DuckDuckGoSearchRun(name="search")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": f"openai:{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": f"openai:{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": f"openai:{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( model=f"openai:{OPENAI_MODEL}", tools=main_tools, subagents=subagents, system_prompt=SYSTEM_PROMPT, debug=True).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/Mac）export OPENAI_API_KEY="你的OpenAI API密钥"export LANGCHAIN_API_KEY="你的LangSmith API密钥"export LANGCHAIN_TRACING=true# Windowsset OPENAI_API_KEY="你的OpenAI API密钥"set LANGCHAIN_API_KEY="你的LangSmith API密钥"set LANGCHAIN_TRACING=true

LangSmith 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-1106"RECURSION_LIMIT = 100search_tool = DuckDuckGoSearchRun(name="web_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( default=FilesystemBackend(root_dir="./deep_research/reports", virtual_mode=True), 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( model=f"openai:{OPENAI_MODEL}", tools=tools, backend=init_backend, system_prompt=SYSTEM_PROMPT, debug=True).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～