如何用Deepagents构建你的第一个AI助手：从零到部署的完整指南

如何用Deepagents构建你的第一个AI助手：从零到部署的完整指南

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents

你是否曾经想过拥有一个真正智能的助手，能够理解复杂指令、规划多步任务，还能调用各种工具完成任务？Deepagents正是这样一个开箱即用的AI代理框架，它让你不再需要从头搭建复杂的AI系统。

Deepagents是一个功能完备的AI代理框架，基于LangChain和LangGraph构建，专为处理长周期、多步骤的复杂任务设计。无论你是想构建一个研究助手、代码生成工具，还是文档分析系统，Deepagents都能提供完整的解决方案。

为什么选择Deepagents？

在AI代理领域，很多框架要么过于简单无法处理复杂任务，要么配置过于繁琐让人望而却步。Deepagents找到了完美的平衡点：

开箱即用的强大功能：Deepagents预置了文件系统访问、上下文管理、子代理调度等核心功能，让你能立即开始构建应用。

极致的灵活性：虽然是"有主见的"框架，但你可以覆盖或替换任何组件，无需fork整个项目。

生产就绪：基于LangGraph构建，支持流式处理、持久化和检查点，与LangSmith深度集成，提供完整的追踪、评估和监控能力。

核心功能深度解析

智能任务规划与分解

Deepagents最强大的能力之一是自动任务分解。当面对复杂问题时，它能自动拆解为多个子任务，并协调多个子代理并行处理。

上图展示了Deepagents的Text-to-SQL代理在LangSmith平台上的执行追踪。你可以看到代理如何逐步分析需求、探索数据库结构、生成SQL查询并执行验证。这种可视化追踪让你能清晰了解代理的思考过程。

文件系统与工具集成

Deepagents支持多种后端文件系统，包括本地文件、沙箱环境和远程存储。这意味着你的代理可以直接读取、编辑、搜索文件，就像人类开发者一样。

# 简单几行代码就能创建功能完备的代理 from deepagents import create_deep_agent agent = create_deep_agent( model="openai:gpt-5.5", tools=[my_custom_tool], system_prompt="你是一个研究助手", )

上下文管理与内存持久化

处理长对话或多步骤任务时，上下文管理至关重要。Deepagents能自动总结长对话历史，将工具输出卸载到磁盘，并通过可插拔的状态存储后端实现跨会话记忆。

实战：构建你的第一个研究助手

环境准备

首先获取项目代码：

git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents

Deepagents使用uv进行依赖管理，确保安装uv：

curl -LsSf https://astral.sh/uv/install.sh | sh

安装依赖

在项目根目录下，使用uv安装deepagents：

uv add deepagents

创建基础代理

让我们创建一个简单的研究助手。在examples/deep_research/目录中，你可以找到一个完整的研究代理示例：

# 基于examples/deep_research/agent.py简化示例 from deepagents import create_deep_agent from deepagents.backends.filesystem import FilesystemBackend import asyncio async def main(): # 创建研究助手代理 researcher = create_deep_agent( model="openai:gpt-5.5", system_prompt="你是一个专业的研究助手，擅长查找、分析和总结信息。", backends=[FilesystemBackend()] # 添加文件系统支持 ) # 开始研究任务 result = await researcher.ainvoke({ "messages": "研究LangGraph的核心概念并写一份总结报告" }) print(result["messages"][-1].content) asyncio.run(main())

添加自定义工具

Deepagents的强大之处在于你可以轻松添加自定义工具。假设你想让代理能搜索arXiv论文：

from langchain.tools import tool from typing import List, Dict @tool def search_arxiv_papers(query: str, max_results: int = 5) -> List[Dict]: """搜索arXiv论文""" # 这里实现实际的搜索逻辑 return papers_data # 创建带自定义工具的代理 agent_with_tools = create_deep_agent( model="openai:gpt-5.5", tools=[search_arxiv_papers], system_prompt="你是学术研究专家" )

高级功能：子代理与技能系统

子代理协调

Deepagents支持动态创建子代理，每个子代理专注于特定子任务。这在处理复杂工作流时特别有用：

from deepagents.middleware.subagents import SubagentMiddleware # 配置子代理中间件 agent = create_deep_agent( model="openai:gpt-5.5", middleware=[SubagentMiddleware()], system_prompt="你是项目经理，负责协调多个专家完成复杂任务" )

技能系统

技能是可复用的行为模式，代理可以根据需要动态加载。Deepagents内置了多种技能，你也可以创建自己的技能：

上图展示了Deepagents的TUI界面，你可以看到代理如何加载和使用不同技能。技能系统让代理的行为更加模块化和可重用。

生产部署最佳实践

监控与追踪

将Deepagents与LangSmith集成，获得完整的执行追踪：

import os os.environ["LANGSMITH_TRACING"] = "true" os.environ["LANGSMITH_API_KEY"] = "your-api-key" # 所有调用都会自动记录到LangSmith result = agent.invoke({"messages": "你的任务"})

错误处理与重试

Deepagents内置了完善的错误处理机制。你可以配置重试策略和异常处理：

from deepagents.middleware import RetryMiddleware agent = create_deep_agent( model="openai:gpt-5.5", middleware=[RetryMiddleware(max_retries=3)], system_prompt="你的助手" )

安全性考虑

Deepagents采用"信任LLM"模型，这意味着代理可以做其工具允许的任何事情。你需要在工具/沙箱级别设置边界，而不是期望模型自我约束。

实际应用场景

企业文档处理

在examples/content-builder-agent/中，你可以找到一个内容构建代理的完整实现。它能自动生成博客文章、社交媒体内容，并保持一致的品牌声音。

代码生成与审查

examples/deploy-coding-agent/展示了如何构建一个自主编码代理，能在LangSmith沙箱中编写、测试和审查代码。

数据库查询

examples/text-to-sql-agent/演示了如何将自然语言转换为SQL查询，包括数据库探索、查询生成和结果验证的完整流程。

性能优化技巧

上下文管理策略

对于长对话场景，合理配置上下文管理策略能显著提升性能：

from deepagents.middleware.memory import MemoryMiddleware agent = create_deep_agent( model="openai:gpt-5.5", middleware=[MemoryMiddleware(max_context_length=8000)], system_prompt="你的助手" )

模型选择

Deepagents支持任何支持工具调用的LLM，包括：

• 前沿API（OpenAI、Anthropic、Google）
• 开源模型（通过Baseten、Fireworks等托管）
• 本地模型（通过Ollama、vLLM、llama.cpp）

开始你的Deepagents之旅

现在你已经了解了Deepagents的核心概念和基本用法，是时候开始构建你自己的AI助手了。项目提供了丰富的示例代码，你可以在examples/目录中找到各种应用场景的完整实现。

记住，最好的学习方式是动手实践。从简单的任务开始，逐步添加复杂功能，你会发现Deepagents能帮助你快速构建出真正有用的AI应用。

下一步行动：

1. 克隆项目并运行快速开始示例
2. 探索examples/目录中的不同应用场景
3. 基于现有示例创建你自己的代理
4. 加入LangChain社区，分享你的经验和成果

Deepagents正在快速发展，社区活跃，文档完善。无论你是AI新手还是经验丰富的开发者，都能在这个框架中找到构建智能应用的新可能。

开始构建，让AI为你工作！

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents