你有没有过这种感受，就是在给 AI 下达一系列执行任务或者在使用claude、gemini写代码的时候，会发现AI思考轮次越多，AI变的越笨了？ 随着任务越来越复杂，AI的脑子好像开始变得“不太好使”了，开始在无关的细节里打转，甚至忘了最开始你给它定的目标是啥？

这就是典型的Context Bloat（上下文膨胀）导致的问题。

---

什么是 Context Bloat（上下文膨胀）？

上下文膨胀指的是当大型语言模型在其输入上下文窗口中被过载、无关或冗余信息时，性能下降和成本增加。

比如你要写个爬取资讯的工具：

• agent A 搜索网页（产生一堆 HTML 噪音）。
• agent B 解析内容（又是一堆 Token）。
• agent C 报错调试（错误日志占满屏幕）。

等到最后要写代码时，上下文里全是垃圾信息，真正有用的逻辑被挤到了角落。

而LangChain 前一段发布的 Deep Agents，就是通过子智能体进行角色解耦，实现上下文的隔离，以解决多智能体开发中最让人头疼的Context Bloat（上下文膨胀）问题。

Deep Agents引入了两个核心机制，其中， Subagents（子智能体）来隔离上下文，Skills 来按需加载工具 Prompt，下我们就来结合实际例子看一下这两个模块怎么搭配使用。

传统模式 vs Deep Agents 模式

传统模式（一把梭）：

一个 Agent 从头干到尾。搜索网页 -> 失败 -> 重试 -> 分析 -> 写代码。

后果：主线程里堆满了“尝试连接失败”、“页面 404”这种垃圾信息。到了最后一步要写代码时，Token 已经快爆了，模型注意力分散，写出的代码质量极差。

Deep Agents 模式（老板+打工人）：

Deep Agents 的核心逻辑其实就是模拟人类的高效工作流，主要由两个概念组成：

1. Subagents：上下文隔离

以前我们写 Agent，是一个大循环跑到底。现在，Deep Agents 允许你定义子智能体Subagents，子智能体可以在它自己的沙盒里进行 20 次搜索、翻阅 50 个网页。等它折腾完了，只把最终结论返回给主智能体。

• 原理：主智能体（Main Agent）像是项目经理，当遇到“去查阅文档”这种脏活累活时，它会丢给“调研子智能体”去干。
• 关键点：子智能体有自己独立的上下文窗口，它在里面哪怕进行了 50 次网页搜索，最后只把“总结报告”返回给主智能体。
• 好处：主智能体的上下文永远是干净的，不会被中间过程的噪音污染，始终保持“高智商”在线。

2. Skills：渐进式能力加载

没错，就是那个现在火的一塌糊涂的SKILL.md，Deep Agents也支持skill的定义，再不用像以前一样，把几十个工具的定义和一大堆 Prompt 全部塞进 System Prompt 里从头用到尾了。

• 原理：它引入了 SKILL.md 文件。Agent 一开始只知道技能的名字和简介（比如“部署代码”）。
• 按需加载：只有当 Agent 真的决定要用这个技能时，它才会去读取文件里的详细步骤。
• 好处：省 Token，而且维护极其方便。想修改部署流程？改 markdown 文件就行，不用动代码。

在Multi-Agent项目中使用

这里我们设计组建一个迷你的 “量化投资团队”，这个团队的目标很简单：当用户输入“分析一下英伟达”时，整个Agent团队需要自动分工，完成资讯收集、指标计算，最后过风控，告诉用户能不能买。

第一步：定义技能Skill

量化交易最讲究纪律。我们将“分析一只股票的标准作业程序”写进 SKILL.md。

文件路径：.deepagents/skills/finance/SKILL.md

---name: stock_analysis_pipelinedescription: 执行股票分析的标准作业流程tags: [finance, trading]---# 股票分析标准作业程序 (SOP)当接收到分析某只股票（Ticker）的指令时，必须按顺序执行以下步骤：1.  **搜集情报**：调用 `search_news` 获取该股票最近 24 小时的关键利好/利空消息。2.  **计算指标**：调用 `calculate_indicators` 获取当前的 RSI 和 MACD 信号。3.  **风控审查**：基于情报和指标，询问风控官（Risk Agent）是否允许开仓。4.  **最终决策**：综合上述信息，输出简短的交易建议（Buy/Sell/Hold）。

第二步：组建 Agent 团队

我们要招聘三个不同的“专家”子智能体，并把它们塞进主智能体里：

• 资讯员 (News Scout)：负责联网查实时新闻、基本面等相关信息。
• 量化员 (Quant Analyst)：负责计算各种指标因子。
• 风控官 (Risk Officer)：负责决策前的风险控制。

1. 定义工具 (Tools)

from deepagents import create_deep_agentfrom deepagents.backends import FilesystemBackend# 模拟联网搜索和计算工具def search_news(ticker: str):    """搜索最近的市场新闻"""    return f"Found 3 articles for {ticker}: CEO speaks about AI demand; Earnings beat expectations."def calculate_indicators(ticker: str):    """计算技术指标"""    return {"RSI": 65, "MA_200": "Bullish Trend"}

2. 定义子智能体 (Subagents)

# 子智能体 A: 资讯员 - 专门负责看新闻，防止主Agent被海量文本淹没news_agent = {    "name": "info_researcher",    "description": "负责搜索互联网新闻和市场舆情。",    "tools": [search_news]}# 子智能体 B: 量化员 - 专门负责计算quant_agent = {    "name": "math_wizard",    "description": "负责计算技术指标，处理数字逻辑。",    "tools": [calculate_indicators]}# 子智能体 C: 风控官 - 专门负责审核风险risk_agent = {    "name": "risk_manager",    "description": "负责风险控制。如果RSI超过80或有重大利空，必须拒绝交易。",    "system_prompt": "你是一个保守的风控官，宁可错过不可做错。",    "model": "openai:gpt-4o"}

3. 创建主智能体 (Main Agent)

agent = create_deep_agent(    model="claude-sonnet-4-5-20250929",        # 将三个打工人都加进来    subagents=[news_agent, quant_agent, risk_agent],        # 挂载技能库，让大家知道干活的流程    backend=FilesystemBackend(root_dir="./"),    skills=[".deepagents/skills/finance"], )# --- 4. 跑起来！ ---print("🚀 量化投研团队已就位...\n")# 用户只给一个模糊指令，Deep Agents 会根据 SOP 自动调度三个子智能体user_input = "帮我分析一下 NVDA (英伟达) 现在能不能买？"response = agent.invoke({"messages": [{"role": "user", "content": user_input}]})# 预期流程：# 1. 主Agent 读取 Skill -> 派 info_researcher 查新闻# 2. 派 math_wizard 算指标# 3. 派 risk_manager 结合前两者的结果做审查# 4. 主Agent 汇总输出print(f"\n📊 投研报告:\n{response.content}")

当你运行这段代码时，Deep Agents 的内部流转是这样的：

---

我的思考与吐槽

玩了两天，我有几个很直观的感受：

1. **这不就是“微服务”架构吗？**以前搞 Agent 像是在写单体应用，所有逻辑塞一坨。Deep Agents 的 Subagents 模式，实际上是把复杂任务拆解成了微服务。主 Agent 做网关和路由，Subagent 做具体业务。
2. 结合SKILL.md确实很方便比如风控规则变了（RSI > 80 改成 > 85），只需要修改 SKILL.md，用户甚至不需要懂 Python 代码，通过文字就能理解 AI 的操作手册。这比把工具 Prompt 写死在代码里方便太多了。
3. 坑点预警虽然隔离了上下文，但子智能体的划分需要很有经验。如果拆得太细，Agent 之间来回“踢皮球”会增加延迟；如果拆得太粗，又起不到隔离上下文的作用。这块还得在实战中多磨合。

总的来说，Deep Agents 并没有搞什么花里胡哨的新算法，而是用工程化的手段解决了 LLM 应用落地的痛点。如果你正在被 Token 限制和模型“变笨”折磨，强烈建议试一试这套 Subagent + Skills 的组合。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】