一、开始使用

uv add deepagents tavily-python

from deepagents import create_deep_agent

agent = create_deep_agent(
    model="deepseek-chat", 
    tools=[],
    middleware=[check_message_limit],
    system_prompt="You are a helpful assistant",
)

前端不用改

---

二、对 Deep Agents 的介绍

---

Deep Agents 是构建 LLM 驱动 Agent 的最简方式，内置四大能力：

• 任务规划（task planning）
• 文件系统上下文管理（file systems for context management）
• 子 Agent 生成（subagent-spawning）
• 长期记忆（long-term memory）

适用于任何任务，尤其是复杂多步骤任务。

---

技术栈关系

层级	组件	作用
底层	LangChain	提供 Agent 核心构建块
运行时	LangGraph	持久执行、流式传输、人机协作等
上层	Deep Agents	独立库，封装易用接口

LangGraph 提供的关键运行时能力：

• durable execution — 可恢复的持续执行
• streaming — 流式输出
• human-in-the-loop — 人工介入审批

---

一句话总结

Deep Agents = LangChain/LangGraph 之上的一层" harness"，用预置工具和能力让你快速构建复杂 Agent，同时集成 LangSmith 实现自动调试。

---

三、Deep Agents SDK 适用场景

核心定位

这是 LangChain 生态中一个**“智能体 harness（套具/框架）”**——比基础 LangChain 更高级，但比从零搭建更省心，内置了大量开箱即用的工具和能力。

逐条解释适用场景

场景	说明
复杂多步任务	需要规划拆解的任务，内置 write_todos 工具让 Agent 自主分解步骤、跟踪进度
大上下文管理	通过文件系统工具（ls/read_file/write_file/edit_file）把超长上下文 offload 到存储，避免撑爆上下文窗口；自动摘要压缩历史消息
可插拔文件后端	内存状态 ↔ 本地磁盘 ↔ 持久化存储 ↔ 沙箱（Modal/Daytona/Deno）↔ 自定义后端，随意切换
Shell 命令执行	沙箱环境下运行测试、构建、git 等系统命令，隔离主机系统
解释器运行代码	内置 JavaScript 解释器（QuickJS），用于工具组合、子 Agent 编排、结构化数据转换
子 Agent 委派	task 工具 spawn 专门子 Agent，主 Agent 上下文保持干净，子任务深度处理
长期记忆	跨对话/线程持久化，基于 LangGraph Memory Store 存取历史信息
文件权限控制	声明式规则限制 Agent 能读写的文件路径，子 Agent 可继承或覆盖
人工审批介入	敏感操作（如执行命令、写文件）触发中断，等人确认再继续
模型无关	不绑定特定厂商，OpenAI/Anthropic/Google/开源模型/OpenRouter 等都能用

一句话总结

当你需要构建能自主规划、能操作文件系统、能写代码、能派生子任务、有记忆、有权限管控、还能随时让人类把关的生产级 Agent 时，用 Deep Agents；如果只是简单 Agent，用 LangChain 的 create_agent 或裸 LangGraph 就够了。

---

四、skills

skill本质上就是一个智能体里面分解了好多个任务，给每个任务一套对应的提示词，这套提示词和约束就是咱们所谓的技能

技能 = 可复用的智能体能力，包含两方面：

• 工作流（workflows）：完成特定任务的步骤流程
• 领域知识（domain knowledge）：某个专业领域的上下文信息

无需重新训练模型，像搭积木一样扩展能力。

• SKILL.md = 说明书（告诉 AI 这是什么工具、什么时候用、怎么用）
• 其他文件夹 = 实际工具零件（代码、模板、参考资料）

按需加载：AI 不会一开始就把所有技能说明全读进去，而是：

1. 先快速浏览"目录"（名称+描述）
2. 遇到相关任务时，再调取完整说明书
3. 最后执行具体操作
   这样既节省 AI 的"注意力资源"，又能让它掌握大量不同领域的专业技能。

The SKILL.md file

---
name: langgraph-docs
description: Use this skill for requests related to LangGraph in order to fetch relevant documentation to provide accurate, up-to-date guidance.
module: index.ts
---

# 上面是格式约束，下面随便发挥，markdown格式

MCP客户端

https://www.tavily.com/（一个月一千次的互联网搜索）
生成mcp link

#graph.json
{
  "dependencies": ["."],
  "graphs": {
    "research_agent": {
      "path": "./agents/examples/research_agent.py:agent"
    }
  },
  "env": ".env",
  "image_distro": "wolfi"
}

# research_agent.py
from dotenv import load_dotenv
load_dotenv()
from deepagents import create_deep_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
client = MultiServerMCPClient(
    {

        "weather": {
            "transport": "http",  # HTTP-based remote server
            # Ensure you start your weather server on port 8000
            "url": "https://mcp.tavily.com/mcp/?tavilyApiKey=123", # 检索工具MCP调用
        }
    }
)# 用例智能体时候要用这样的MCP访问知识库
import asyncio
tools = asyncio.run(client.get_tools())


agent = create_deep_agent(
    model="deepseek-chat", # 智能体对接哪个模型。现在写法是默认参数，如果model=llm，传上面创建的llm实例，可以控制更多参数
    # 不写工具只能与大模型对话
    tools=tools,
    middleware=[],# 中间件等会儿放技能，写法一它拿到2个参数之后它封装成中间件，写法二咱们先把中间件做好省得它封装了
    system_prompt="You are a helpful assistant",
)

backends有很多种类，比如是一个文件系统的backends
backends参数告诉智能体文件系统的根目录是谁
写法一：

agent = create_deep_agent(
    model="deepseek-chat",
    tools=tools,
    middleware=[],
    backend=FilesystemBackend(root_dir=r"/Users/amber/PycharmProjects/ai-test-agent-system/agents/examples",virtual_mode=True),# 必须是绝对路径，如果不传这个参数就是临时的，virtual_mode虚拟路径模式不写默认是关闭
    skills=["/skills/"],# 意为skills下所有的
    system_prompt=SKILLS_SYSTEM_PROMPT,
)

SKILLS_SYSTEM_PROMPT=""" """

这俩名儿保持一致

---

官方有个创建skills的技能
https://github.com/anthropics/skills/tree/main/skills/skill-creator
把这个复制到项目技能目录下
通过启动项目对话的方式使其创建更多的skills

token超过最大限度，处理方式：压缩上下文（加总结中间件）、分解给多个技能分开处理最后汇总

---

写法二：

back = FilesystemBackend(root_dir=r"/Users/amber/PycharmProjects/ai-test-agent-system/agents/examples",virtual_mode=True)
skill_mid = SkillsMiddleware(backend=back,sources=["/skills/"])

agent = create_deep_agent(
    model="deepseek-chat", 
    tools=tools,
    middleware=[skill_mid],
    
    system_prompt=SKILLS_SYSTEM_PROMPT,
)

（1）基于skill-creator创建测试用例生成相关技能
（2）基于DeepAgent验证技能的功能：列出技能、验证工作流程