简介

本文介绍了基于LangGraph构建的深度智能体(Deep Agents)框架，通过规划工具、子智能体系统和虚拟文件系统，使AI智能体能预先思考、分解任务、创建待办事项并生成子智能体。文章详细展示了如何使用deepagents库构建研究智能体，包括环境准备、组件定义和执行流程。深度智能体适合处理复杂任务，对于简单任务则建议使用简单智能体或LLM。

---

AI 智能体（Agents）已经将大型语言模型（LLMs）的能力提升了一个台阶，而深度智能体（Deep Agents）又承诺，它不仅仅可以回答你的问题，而且还能够预先思考、分解任务、创建自己的待办事项（TODOs），甚至可以生成子智能体来完成工作，让 AI Agents的能力有提升了一个档次。

深度智能体是基于 LangGraph 构建的，LangGraph 是一个专门为创建能够处理复杂任务的智能体而设计的库。让我们了解下深度智能体，理解它们的核心能力，然后使用该库来构建我们自己的 AI Agents。

Deep Agents

LangGraph 为有状态的工作流提供了基于图（graph-based）的运行时，但你仍然需要从零开始构建自己的规划、上下文管理或任务分解逻辑。DeepAgents（基于 LangGraph 构建）则将规划工具、基于虚拟文件系统的内存和子智能体编排等功能开箱即用地打包在一起。

可以通过独立的 deepagents 库来使用深度智能体（Deep Agents）。它不仅包含了规划能力、还可以生成子智能体，同时利用文件系统进行上下文管理。它还能与 LangSmith 结合使用，用于部署和监控。本文中构建的智能体默认使用 “claude-sonnet-4-5-20250929” 模型，但可以根据需要进行自定义。在我们开始创建智能体之前，先来了解一下它的核心组件。

核心组件

• 详细的系统提示词（Detailed System Prompts）： 深度智能体使用带有详细说明和示例的系统提示词。
• 规划工具（Planning Tools）： 深度智能体内置了用于规划的工具，智能体使用 TODO 列表管理工具来实现规划。这有助于它们即使在执行复杂任务时也能保持专注。
• 子智能体（Sub-Agents）： 子智能体被用于处理委派的任务，它们在上下文隔离的环境中执行。
• 文件系统（File System）： 虚拟文件系统用于上下文管理和内存管理。这里的 AI 智能体将文件作为工具，在上下文窗口满时将上下文卸载到内存中。

Deep Agents 示例

让我们使用 deepagents 库来构建一个Research Agent，它将使用 Tavily 进行网络搜索，并具备深度智能体的所有组件。

环境准备

需要一个 OpenAI API 密钥来创建这个智能体，你也可以选择使用 Gemini/Claude 等其他模型提供商。请从以下平台获取你的 OpenAI 密钥：https://platform.openai.com/api-keys

同时，还要从这里获取用于网络搜索的 Tavily API 密钥：https://app.tavily.com/home

在 Google Colab 中打开一个新的 Notebook 并添加密文：

将密钥保存为 OPENAI_API_KEY 和 TAVILY_API_KEY 用于演示，并且不要忘记开启 Notebook 对这些密文的访问权限。

安装依赖库

!pip install deepagents tavily-python langchain-openai

我们将安装运行代码所需的这些库。

导入和 API 设置

import osfrom deepagents import create_deep_agentfrom tavily import TavilyClientfrom langchain.chat_models import init_chat_modelfrom google.colab import userdata# Set API keys TAVILY_API_KEY = userdata.get("TAVILY_API_KEY")os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")

我们将 Tavily API 密钥存储在一个变量中，并将 OpenAI API 密钥设置到环境变量中。

定义工具、子智能体和主智能体

# Initialize Tavily client tavily_client = TavilyClient(api_key=TAVILY_API_KEY)# Define web search tool def internet_search(query: str, max_results: int = 5) -> str:"""Run a web search to find current information"""  results = tavily_client.search(query, max_results=max_results)return results# Define a specialized research sub-agent research_subagent = {"name": "data-analyzer","description": "Specialized agent for analyzing data and creating detailed reports","system_prompt": """You are an expert data analyst and report writer.   Analyze information thoroughly and create well-structured, detailed reports.""","tools": [internet_search],"model": "openai:gpt-4o",}# Initialize GPT-4o-mini model model = init_chat_model("openai:gpt-4o-mini")# Create the deep agent# The agent automatically has access to: write_todos, read_todos, ls, read_file, # write_file, edit_file, glob, grep, and task (for subagents) agent = create_deep_agent(  model=model,  tools=[internet_search],  # Passing the tool   system_prompt="""You are a thorough research assistant. For this task:   1. Use write_todos to create a task list breaking down the research   2. Use internet_search to gather current information   3. Use write_file to save your findings to /research_findings.md   4. You can delegate detailed analysis to the data-analyzer subagent using the task tool   5. Create a final comprehensive report and save it to /final_report.md   6. Use read_todos to check your progress   Be systematic and thorough in your research.""",  subagents=[research_subagent],)

我们定义了一个用于网络搜索的工具，并将其传递给了我们的智能体。我们在这个演示中使用了 OpenAI 的 gpt-4o-mini 模型，你可以将其更改为任何其他模型。

另请注意，我们没有创建任何文件，也没有为上下文卸载所需的文件系统或 TODO 列表定义任何内容。这些功能都已在 create_deep_agent() 中预构建，并默认可供智能体访问。

运行

# Research query research_topic = "What are the latest developments in AI agents and LangGraph in 2025?"print(f"Starting research on: {research_topic}\n")print("=" * 70)# Execute the agent result = agent.invoke({  "messages": [{"role": "user", "content": research_topic}]})print("\n" + "=" * 70)print("Research completed.\n")

注意： 智能体的执行可能需要一些时间。

输出结果

# Agent execution trace print("AGENT EXECUTION TRACE:")print("-" * 70)for i, msg in enumerate(result["messages"]):if hasattr(msg, 'type'):    print(f"\n[{i}] Type: {msg.type}")    if msg.type == "human":      print(f"Human: {msg.content}")    elif msg.type == "ai":      if hasattr(msg, 'tool_calls') and msg.tool_calls:        print(f"AI tool calls: {[tc['name'] for tc in msg.tool_calls]}")      if msg.content:        print(f"AI: {msg.content[:200]}...")    elif msg.type == "tool":      print(f"Tool '{msg.name}' result: {str(msg.content)[:200]}...")

# Final AI response print("\n" + "=" * 70)final_message = result["messages"][-1]print("FINAL RESPONSE:")print("-" * 70)print(final_message.content)

# Files created print("\n" + "=" * 70)print("FILES CREATED:")print("-" * 70)if"files"in result and result["files"]:for filepath in sorted(result["files"].keys()):    content = result["files"][filepath]    print(f"\n{'=' * 70}")    print(f"{filepath}")    print(f"{'=' * 70}")    print(content)else:  print("No files found.")print("\n" + "=" * 70)print("Analysis complete.")

正如我们所看到一样，这个智能体做得很好。它维护了一个虚拟文件系统，经过多次迭代后给出了响应，并认为自己应该是一个“深度智能体”。但我们的系统仍有改进的空间，让我们看看下一节中可以进行哪些改进。

我们构建了一个简单的深度智能体，如果你感兴趣的话，可以基于此并构建出更好的东西。以下是可以改进这个智能体的一些方法：

• 使用长期记忆（Long-term Memory）： 深度智能体可以将用户偏好和反馈保存在文件（/memories/）中。这将帮助智能体给出更好的答案，并从对话中建立知识库。
• 控制文件系统（Control File-system）： 默认情况下，文件存储在虚拟状态中，你可以使用 deepagents.backends 中的 FilesystemBackend 将其更改为不同的后端或本地磁盘。
• 优化系统提示词（Refining the System Prompts）： 你可以测试多个提示词，看看哪个最适合你的需求。

成功构建了我们的深度智能体，现在可以看到 AI 智能体如何能够利用 LangGraph 来处理任务，将 LLM 的能力提升一个台阶。凭借内置的规划、子智能体和虚拟文件系统，它们能够顺畅地管理 TODO 列表、上下文和研究工作流。深度智能体功能强大，但也要记住，如果一个任务更简单，可以通过一个简单的智能体或 LLM 来完成，那么就不建议使用深度智能体。

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF书籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型各大场景实战案例

结语

【一一AGI大模型学习 所有资源获取处（无偿领取）一一】
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~