很多人做智能體時(shí)，會(huì)用“大模型 + 循環(huán)調(diào)用工具”的最簡(jiǎn)單架構(gòu)。它好用，但常常很“淺”，一遇到復(fù)雜、長(zhǎng)鏈路任務(wù)就容易跑偏、忘事、或停在半路。

像 Deep Research、Manus、Claude Code 這類“深度”智能體，是怎么補(bǔ)上的？核心其實(shí)就四件事：

• 規(guī)劃工具：先想清楚要做什么，再一步步做。
• 子智能體：把復(fù)雜任務(wù)拆給更專精的小助手。
• 文件系統(tǒng)：能讀寫(xiě)文件，保留中間成果和上下文。
• 詳細(xì)提示詞：把工作方法講清楚，少走彎路。

deepagents 是什么

??deepagents?? 是一個(gè) Python 包，把上面這四件事做成了通用能力，幫你更容易地搭出“深”智能體。它受 Claude Code 啟發(fā)很深，目標(biāo)是更通用、更好用。

deep agent

• 安裝：

pip install deepagents

• 如果要跑下面的入門示例，還需要：

pip install tavily-python

一個(gè)簡(jiǎn)潔的入門示例

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,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_cnotallow=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.

You have access to a few tools.

## `internet_search`

Use this to run an internet search for a given query. You can specify the number of results, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    [internet_search],
    research_instructions,
)

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

這個(gè) ??agent?? 本質(zhì)上就是一個(gè) LangGraph 圖，所以你可以用 LangGraph 的常用能力（流式、HITL、人類介入、記憶、Studio 等）。

自定義一個(gè)“深”智能體

• tools（必填）：一組函數(shù)或 LangChain 的??@tool??。主智能體和子智能體都能用。
• instructions（必填）：這會(huì)成為提示詞的一部分（系統(tǒng)提示詞已內(nèi)置，會(huì)和它一起起作用）。
• subagents（選填）：自定義子智能體，做專門的子任務(wù)。

子智能體有兩種寫(xiě)法：

1. 簡(jiǎn)單版??SubAgent??

• 必填字段：??name??（名字）、??description??（說(shuō)明）、??prompt??（提示詞）
• 可選字段：??tools??（可用工具，默認(rèn)繼承全部）、??model_settings??（該子智能體獨(dú)立的模型設(shè)置）

research_subagent = {
    "name": "research-agent",
    "description": "Used to research more in depth questions",
    "prompt": sub_research_prompt,
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[research_subagent]
)

2. 進(jìn)階版??CustomSubAgent??

• 直接把一個(gè)預(yù)先構(gòu)建好的 LangGraph 圖當(dāng)作子智能體用：

from langgraph.prebuilt import create_react_agent

custom_graph = create_react_agent(
    model=your_model,
    tools=specialized_tools,
    prompt="You are a specialized agent for data analysis..."
)

custom_subagent = {
    "name": "data-analyzer",
    "description": "Specialized agent for complex data analysis tasks",
    "graph": custom_graph
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[custom_subagent]
)

模型怎么配

• 默認(rèn)模型：??"claude-sonnet-4-20250514"??
• 你可以傳任意 LangChain 模型對(duì)象作為默認(rèn)模型；也可以為某個(gè)子智能體單獨(dú)指定模型與參數(shù)。

示例：用 Ollama 的自定義模型

from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model

model = init_chat_model(model="ollama:gpt-oss:20b")

agent = create_deep_agent(
    tools=tools,
    instructinotallow=instructions,
    model=model,
)

示例：給“評(píng)審子智能體”單獨(dú)上一個(gè)更快、更穩(wěn)的模型

critique_sub_agent = {
    "name": "critique-agent",
    "description": "Critique the final report",
    "prompt": "You are a tough editor.",
    "model_settings": {
        "model": "anthropic:claude-3-5-haiku-20241022",
        "temperature": 0,
        "max_tokens": 8192
    }
}

agent = create_deep_agent(
    tools=[internet_search],
    instructinotallow="You are an expert researcher...",
    model="claude-sonnet-4-20250514",
    subagents=[critique_sub_agent],
)

內(nèi)置工具

默認(rèn)自帶 5 個(gè)工具（可通過(guò) ??builtin_tools?? 精簡(jiǎn)）：

• write_todos：寫(xiě)待辦（幫助“先計(jì)劃，再執(zhí)行”）
• write_file：寫(xiě)文件（虛擬文件系統(tǒng)）
• read_file：讀文件
• ls：列文件
• edit_file：編輯文件

精簡(jiǎn)示例（只保留待辦工具）：

builtin_tools = ["write_todos"]
agent = create_deep_agent(..., builtin_tools=builtin_tools, ...)

關(guān)鍵部件

• 系統(tǒng)提示詞（System Prompt）已內(nèi)置，參考了 Claude Code 的風(fēng)格，又更通用。它把“怎么規(guī)劃、怎么用文件、怎么調(diào)用子智能體”等規(guī)則說(shuō)清楚。好的提示詞，是深度的關(guān)鍵。
• 規(guī)劃工具（Planning Tool）類似 Claude Code 的 TodoWrite。它不直接“做事”，而是先把計(jì)劃寫(xiě)下來(lái)，放在上下文里，幫助后續(xù)執(zhí)行。
• 虛擬文件系統(tǒng)（File System Tools）提供??ls/read_file/write_file/edit_file??，用 LangGraph 的 State 模擬，不會(huì)動(dòng)到真實(shí)磁盤，方便在一臺(tái)機(jī)上開(kāi)多個(gè)智能體也不相互影響。目前支持一層目錄；可以通過(guò) State 中的??files?? 注入和讀取。
• 子智能體（Sub Agents）內(nèi)置一個(gè)通用子智能體（和主智能體同指令、同工具），也支持你自定義多個(gè)專門子智能體。好處是“隔離上下文”、“專人做專事”。
• 人機(jī)協(xié)同（Human-in-the-Loop）你可以給某些工具加“人工審批”攔截（??interrupt_config??）。支持：

     a.allow_accept：直接執(zhí)行

     b.allow_edit：改工具或改參數(shù)再執(zhí)行

     c.allow_respond：不執(zhí)行，追加一條“工具消息”作為反饋需要配一個(gè)檢查點(diǎn)（如 ??InMemorySaver??）。當(dāng)前一次只能攔截一個(gè)并行工具調(diào)用。

• MCP 工具通過(guò) LangChain MCP Adapter 可以讓 deepagents 使用 MCP 工具（注意使用 async 版本）。
• 配置化智能體（Configurable Agent）用??create_configurable_agent??，把??instructions/subagents?? 等做成可配的構(gòu)建器，方便在??langgraph.json?? 里部署和更新。也有 async 版本。

適合做什么

• 深度研究：查資料、比對(duì)觀點(diǎn)、整合成文。
• 代碼助手：規(guī)劃變更、讀改文件、分派子任務(wù)、總結(jié)提交。
• 數(shù)據(jù)/文檔處理：拆分任務(wù)、多步加工、階段性落盤。
• 流程自動(dòng)化：有計(jì)劃、有記憶、有分工、更可靠。

總結(jié)

建議先從小規(guī)模開(kāi)始，逐步引入工具、子智能體和文件系統(tǒng)，并編寫(xiě)清晰的提示詞指導(dǎo)智能體“先想后做、不確定時(shí)提問(wèn)、記錄關(guān)鍵步驟”。關(guān)鍵操作加入人工審核，并針對(duì)不同任務(wù)選用不同模型以平衡效果與成本。通過(guò)這些改進(jìn)，原有的工具循環(huán)型智能體將變得更耐心、穩(wěn)定，能更好地完成復(fù)雜任務(wù)。

本文轉(zhuǎn)載自????????AI 博物院???????? 作者：longyunfeigu