一、Deep Agents 是什么
Deep Agents是 LangChain 官方推出的生产级 Agent Harness（智能体驾驭层），基于LangGraph（执行引擎）+ LangChain（工具 / 模型层）构建，面向长周期、多步骤、复杂目标设计。
一句话对比：
- 普通 Agent：你问一句、它做一步（临时工）
- Deep Agents：你给一个目标，它拆计划、分工、执行、沉淀、交付（项目负责人）
核心定位：把 LLM 的 “智能” 包装成可观测、可控制、可稳定运行的复杂任务执行环境。
- 开源：MIT 协议（商用自由）
- 模型：完全无关，支持所有工具调用型 LLM
- 运行时：LangGraph 提供持久化、断点续跑、流式输出LangChain
二、核心架构（四层）
1）入口层（Harness）
- create_deep_agent：工厂函数，一行生成完整 Agent
- 内置系统提示词模板（规范思考 / 行动 / 输出格式）
2）核心能力层（四大支柱）
- 显式规划（Planning）：内置
write_todos，把目标拆成待办列表（状态：pending/in_progress/completed），每步审查 + 更新，失败调整计划而非盲目重试。 - 上下文管理（Context）
- 虚拟文件系统（VFS）：
ls/read_file/write_file/edit_file，把大上下文卸载到文件，突破窗口限制。 - 自动摘要：长会话自动压缩旧消息，降低 token 占用。
- 虚拟文件系统（VFS）：
- 层级子 Agent（Subagents）：
task工具生成独立上下文子 Agent（如 Researcher/Coder/Writer），主 Agent 只做编排 + 汇总，避免上下文污染LangChain。 - 持久记忆（Memory）：基于 LangGraph Store/PostgreSQL，跨会话、跨线程保存状态、文件、偏好LangChain。
3）工具与执行层
- Shell 执行：沙箱（Modal/Deno/Daytona）中运行
execute，支持测试、Git、构建等，隔离主机。 - MCP 协议：接入任意 MCP Server，调用外部工具 / API / 数据库。
- Skill 系统：可复用能力包（如 “论文阅读”“TDD 编码”），固化经验，避免每次写 prompt。
4）生产运行时（Runtime）
- 持久化执行：崩溃 / 部署后断点续跑，支持小时级任务LangChain。
- 人机闭环（Human-in-the-loop）：关键操作人工审批 / 编辑 / 拒绝。
- 可观测性：日志、追踪、审计，全链路可查。
三、Deep Agents vs 普通 LangChain Agent
表格
| 能力 | 普通 Agent（create_agent） | Deep Agents |
|---|---|---|
| 工具调用 | ✅ | ✅ |
| 多轮对话 | ✅ | ✅ |
| 任务规划 | ❌ 隐式、易混乱 | ✅ 显式待办、可追踪 |
| 文件系统 | ❌ 自己实现 | ✅ 内置 VFS、自动上下文卸载 |
| 子 Agent | ❌ 自己实现 | ✅ 内置、上下文隔离 |
| 长期记忆 | ❌ 有限 | ✅ 跨会话、持久化 |
| 沙箱执行 | ❌ 无 | ✅ 内置、安全隔离 |
| 生产就绪 | ❌ 需大量二次开发 | ✅ 开箱即用 |
四、典型工作流程（示例：写一篇技术博客）
- 规划：Agent 生成待办（调研→大纲→初稿→修改→发布）
- 子 Agent 分工：
- Researcher：搜索资料、整理要点
- Writer：写初稿、保存到 VFS
- Reviewer：修改润色
- 上下文管理：长文本写入文件，避免窗口溢出
- 执行与迭代：按计划执行，失败调整待办
- 交付：汇总结果，输出最终博客
五、适用场景
- 复杂研究：文献综述、数据分析、报告生成
- 软件开发：全栈项目生成、测试、部署
- 内容创作：长文、小说、剧本、营销文案
- 企业自动化：报表生成、流程审批、数据处理
- 个人助理：长期任务管理、邮件处理、日程安排
六、快速上手（Python 伪代码）
python
运行
from langchain_deepagents import create_deep_agent from langchain_openai import ChatOpenAI # 1. 基础模型 llm = ChatOpenAI(model="gpt-4o") # 2. 创建 Deep Agent（内置规划、VFS、子Agent） agent = create_deep_agent( llm=llm, system_prompt="你是资深技术博主，擅长写高质量AI技术文章", tools=[], # 可添加自定义工具 subagents=["researcher", "writer", "reviewer"] ) # 3. 运行任务 result = agent.run("写一篇 2000 字的 Deep Agents 技术详解博客") print(result)七、与 LangChain/LangGraph 的关系
- LangGraph：底层 Runtime（发动机），负责状态管理、持久化、流式执行。
- LangChain：工具 / 模型生态（基础零件），提供模型集成、工具接口、记忆组件。
- Deep Agents：上层 Harness（整车），把 LangGraph+LangChain 封装成开箱即用的生产级 Agent。
官方比喻：
- LangGraph = 发动机
- LangChain create_agent = 基础车
- Deep Agents =高配车（所有选配装好）
八、优缺点
优点
- ✅开箱即用：一行代码创建生产级 Agent
- ✅复杂任务能力强：规划 + 子 Agent + 文件系统，解决长周期任务
- ✅生产就绪：持久化、可观测、安全沙箱、人机闭环
- ✅模型无关：支持所有主流 LLM
- ✅完全开源：MIT 协议，无供应商锁定
缺点
- ❌学习曲线：比普通 Agent 复杂，需理解规划、子 Agent、VFS 等概念
- ❌资源消耗：长会话 + 多子 Agent，token 与计算成本较高
- ❌抽象成本：高度封装，定制底层逻辑需 override 组件
九、总结
Deep Agents 是 LangChain 生态的 “Agent 2.0”，核心是显式规划、层级子 Agent、虚拟文件系统、持久记忆四大能力，把 LLM 从 “问答工具” 升级为能独立完成复杂项目的智能体。
