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。
• 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）

1. 规划：Agent 生成待办（调研→大纲→初稿→修改→发布）
2. 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
3. 上下文管理：长文本写入文件，避免窗口溢出
4. 执行与迭代：按计划执行，失败调整待办
5. 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。