## DeepAgent 概述摘要 DeepAgent是基于大语言模型（LLM）的代理构建框架，旨在简化AI代理和应用程序的开发流程。该框架内置任务规划、文件系统上下文管理、子代理生成及长期记忆等核心功能，可处理复杂多步骤任务。 DeepAgent基于LangChain核心代理模块构建，集成LangGraph运行时以支持持久执行、流式传输和人机交互。它包含三大组件：Deep Agents SDK（通用代理构建包）、Deep Agents Code（终端编码代理）以及ACP集成（用于Zed等编辑器的客户端协议连接器）。 此外，DeepAgent与LangSmith引擎深度集成，可自动检测运行问题并生成修复方案。用户可通过“引擎”选项卡直接提交包含修复建议的拉取请求。该框架为开发者提供了开箱即用的代理开发解决方案，兼顾灵活性与功能性。

# 文章摘要 本文介绍了**上下文工程**的实践方法，涵盖四个核心方面： 1. **环境变量配置**：使用`python-dotenv`库从`.env`文件加载环境变量（如API密钥），简化配置管理。 2. **Agent记忆机制**：通过创建`AGENTS.md`文件定义Agent身份（如名称“虾虾”、喜好等），利用`deepagents`框架的`FilesystemBackend`让Agent具备身份记忆能力，并能根据记忆回答相关问题。 3. **技能系统**：定义`SKILL.md`文件为Agent添加技能，如`multi-search-engine`全网搜索技能，整合8个国内外搜索引擎，支持高级搜索操作符，无需API密钥。 4. **运行时上下文**：使用`@dataclass`定义上下文类，通过`ToolRuntime`在工具调用时传递用户实时信息（如user_id、偏好等），实现动态上下文管理。 5. **长期记忆存储**：采用`CompositeBackend`组合多个存储后端，将用户偏好持久化保存到文件系统（如`/memories/user_preferences.txt`），支持后续对话中读取和更新。

## 上下文工程摘要 上下文工程是深度智能体可靠完成任务的关键，通过正确格式提供正确信息和工具。文章介绍了五类上下文管理机制： **输入上下文**包括系统提示、记忆文件和技能，通过`system_prompt`定义角色行为，记忆文件持久化项目约定，技能按需加载专业工作流。 **运行时上下文**在调用时传递用户元数据、API密钥等配置，通过`context_schema`定义结构，自动传播至子代理。 **上下文压缩**通过卸载大文件和总结旧消息防止上下文溢出，确保信息保持在模型窗口限制内。 **上下文隔离**利用子代理处理复杂任务，主代理仅接收最终结果，保持上下文清晰。 **长期记忆**通过虚拟文件系统实现跨会话持久化存储用户偏好和累积知识。 最佳实践包括：最小化始终加载的上下文、使用子代理处理繁重工作、将大输出持久化到文件、利用技能实现渐进式披露。

## 文章摘要 Deep Agents支持与任何支持工具调用的LangChain聊天模型配合使用，模型通过`provider:model`格式指定（如`openai:gpt-5.4`）。文章列出了建议模型清单，包括Google（gemini系列）、OpenAI（GPT系列）、Anthropic（Claude系列）及开源模型（GLM、Kimi、MiniMax等）。通过Deep Agents评估套件测试各模型在不同任务上的表现，结果显示部分模型在文件操作、检索等任务上表现优异。文章还介绍了模型配置方法，支持提供商级别和模型级别的参数设置，并提供运行时动态切换模型的中间件方案，方便应用根据需求选择不同模型。

## Deep Agents框架核心能力摘要 Deep Agents框架提供四大核心能力，简化长期运行、可靠代理的构建过程： **执行环境**：包括可自定义的工具（API、函数、数据库）、虚拟文件系统（支持多模态文件操作）、声明式文件系统权限控制，以及沙箱和JavaScript解释器两种代码执行方式。 **上下文管理**：通过技能渐进式加载领域知识、持久化记忆文件、自动摘要和上下文卸载、提示缓存等机制，确保代理在令牌限制内高效运行。 **代表团**：支持任务规划和子代理并行执行，实现复杂问题的分解处理，同时保持上下文隔离和令牌效率。 **转向控制**：提供人机交互审批功能，可在关键操作前暂停代理执行，实现安全管控和交互式调试。 此外，Harness Profile允许将模型配置打包成可重用模块，简化不同模型间的切换。

## 摘要 本文比较了LangChain Deep Agents与Claude Agent SDK两种代理构建工具的主要差异。 **执行环境方面**，Deep Agents支持沙箱内外两种运行模式，可灵活选择本地、远程沙箱或虚拟文件系统作为后端；Claude Agent SDK仅支持沙箱内运行，针对本地文件系统执行工具。 **模型支持方面**，Deep Agents兼容Anthropic、OpenAI、Google等100多家提供商，灵活性更高；Claude Agent SDK专为Claude模型设计。 **部署方面**，Deep Agents提供托管和自托管两种选项，内置流式端点、线程管理和身份验证功能；Claude Agent SDK需自行构建服务器、认证和多租户层。 **多租户支持**，Deep Agents内置作用域线程、用户级沙箱和基于角色的访问控制；Claude Agent SDK需自行实现。 **适用场景**：需要模型和基础架构灵活性、内置多租户和托管选项选Deep Agents；已投资Anthropic生态且愿意自行构建基础设施选Claude Agent SDK。

# 摘要 本文档介绍了LangChain Deep Agents中`create_deep_agent`函数的核心配置选项。该函数支持多种模型提供商（OpenAI、Anthropic、Gemini等），并提供丰富的定制能力。 主要配置包括：工具系统，允许添加自定义工具如网络搜索；系统提示词，采用四层组装结构（USER→BASE/CUSTOM→SUFFIX）实现灵活配置；中间件机制，支持预构建组件和自定义拦截器；子代理功能，可将复杂任务委派给专门代理；后端存储，涵盖虚拟文件系统、状态后端、存储后端等多种选择；人机交互，支持敏感操作的审批流程；技能系统，通过AGENTS.md文件为代理扩展专业能力；以及结构化输出功能，可生成符合Pydantic模型的响应数据。这些组件共同构成了一个高度可定制的AI代理开发框架。

这篇文章介绍了Langchain和Deepagents的快速入门指南。内容涵盖环境安装（Langchain[anthropic]和deepagents库）、模型初始化配置（使用ChatAnthropic），以及通过天气查询示例演示Agent的创建与调用流程。Deep Agents核心功能包括任务规划与分解、联网研究、文件系统上下文管理、子Agent委托和报告合成，并支持流式输出。后续还提供了自定义Agent、持久化记忆和部署等进阶开发路径。

LangChain 是一个用于构建由大型语言模型（LLM）驱动的应用程序的开源框架，提供模块化的组件、链式调用、代理（Agent）、记忆（Memory）和工具调用等功能，可与 OpenAI、Anthropic 等多种 LLM 无缝集成。官方文档（https://docs.langchain.com）和中文社区（https://docs.langchain.org.cn）提供快速入门、示例代码以及完整的 API 参考，开发者可依据 Python API（https://reference.langchain.com/python/langchain-core/language_models/chat_models/BaseChatModel）和 Anthropic 模型接口（https://reference.langchain.com/python/langchain-anthropic/chat_models）快速搭建对话系统、信息检索、自动化任务等应用。