前言

很多人做智能体时，会用“大模型 + 循环调用工具”的最简单架构。它好用，但常常很“浅”，一遇到复杂、长链路任务就容易跑偏、忘事、或停在半路。

像 Deep Research、Manus、Claude Code 这类“深度”智能体，是怎么补上的？核心其实就四件事：

• 规划工具：先想清楚要做什么，再一步步做。
• 子智能体：把复杂任务拆给更专精的小助手。
• 文件系统：能读写文件，保留中间成果和上下文。
• 详细提示词：把工作方法讲清楚，少走弯路。

deepagents 是什么

deepagents 是一个 Python 包，把上面这四件事做成了通用能力，帮你更容易地搭出“深”智能体。它受 Claude Code 启发很深，目标是更通用、更好用。

deep agent

• 安装：

pip install deepagents

• 如果要跑下面的入门示例，还需要：

pip install tavily-python

一个简洁的入门示例

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

definternet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
"""Run a web search"""
return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

research_instructions = """You are an expert researcher. Your job is to conduct thorough research, and then write a polished report.

You have access to a few tools.

## `internet_search`

Use this to run an internet search for a given query. You can specify the number of results, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    [internet_search],
    research_instructions,
)

result = agent.invoke({"messages": [{"role": "user", "content": "what is langgraph?"}]})

这个 agent 本质上就是一个 LangGraph 图，所以你可以用 LangGraph 的常用能力（流式、HITL、人类介入、记忆、Studio 等）。

自定义一个“深”智能体

• tools（必填）：一组函数或 LangChain 的 @tool。主智能体和子智能体都能用。
• instructions（必填）：这会成为提示词的一部分（系统提示词已内置，会和它一起起作用）。
• subagents（选填）：自定义子智能体，做专门的子任务。

子智能体有两种写法：

1. 简单版 SubAgent

• 必填字段：name（名字）、description（说明）、prompt（提示词）
• 可选字段：tools（可用工具，默认继承全部）、model_settings（该子智能体独立的模型设置）

research_subagent = {
"name": "research-agent",
"description": "Used to research more in depth questions",
"prompt": sub_research_prompt,
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[research_subagent]
)

2. 进阶版 CustomSubAgent

• 直接把一个预先构建好的 LangGraph 图当作子智能体用：

from langgraph.prebuilt import create_react_agent

custom_graph = create_react_agent(
    model=your_model,
    tools=specialized_tools,
    prompt="You are a specialized agent for data analysis..."
)

custom_subagent = {
"name": "data-analyzer",
"description": "Specialized agent for complex data analysis tasks",
"graph": custom_graph
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[custom_subagent]
)

模型怎么配

• 默认模型："claude-sonnet-4-20250514"
• 你可以传任意 LangChain 模型对象作为默认模型；也可以为某个子智能体单独指定模型与参数。

示例：用 Ollama 的自定义模型

from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model

model = init_chat_model(model="ollama:gpt-oss:20b")

agent = create_deep_agent(
    tools=tools,
    instructions=instructions,
    model=model,
)

示例：给“评审子智能体”单独上一个更快、更稳的模型

critique_sub_agent = {
"name": "critique-agent",
"description": "Critique the final report",
"prompt": "You are a tough editor.",
"model_settings": {
"model": "anthropic:claude-3-5-haiku-20241022",
"temperature": 0,
"max_tokens": 8192
    }
}

agent = create_deep_agent(
    tools=[internet_search],
    instructions="You are an expert researcher...",
    model="claude-sonnet-4-20250514",
    subagents=[critique_sub_agent],
)

内置工具

默认自带 5 个工具（可通过 builtin_tools 精简）：

• write_todos：写待办（帮助“先计划，再执行”）
• write_file：写文件（虚拟文件系统）
• read_file：读文件
• ls：列文件
• edit_file：编辑文件

精简示例（只保留待办工具）：

builtin_tools = ["write_todos"]
agent = create_deep_agent(..., builtin_tools=builtin_tools, ...)

关键部件

• 系统提示词（System Prompt）
  已内置，参考了 Claude Code 的风格，又更通用。它把“怎么规划、怎么用文件、怎么调用子智能体”等规则说清楚。好的提示词，是深度的关键。
• 规划工具（Planning Tool）
  类似 Claude Code 的 TodoWrite。它不直接“做事”，而是先把计划写下来，放在上下文里，帮助后续执行。
• 虚拟文件系统（File System Tools）
  提供 ls/read_file/write_file/edit_file，用 LangGraph 的 State 模拟，不会动到真实磁盘，方便在一台机上开多个智能体也不相互影响。
  目前支持一层目录；可以通过 State 中的 files 注入和读取。
• 子智能体（Sub Agents）
  内置一个通用子智能体（和主智能体同指令、同工具），也支持你自定义多个专门子智能体。好处是“隔离上下文”、“专人做专事”。
• 人机协同（Human-in-the-Loop）
  你可以给某些工具加“人工审批”拦截（interrupt_config）。支持：

• allow_accept：直接执行
• allow_edit：改工具或改参数再执行
• allow_respond：不执行，追加一条“工具消息”作为反馈
  需要配一个检查点（如 InMemorySaver）。当前一次只能拦截一个并行工具调用。

• MCP 工具
  通过 LangChain MCP Adapter 可以让 deepagents 使用 MCP 工具（注意使用 async 版本）。
• 配置化智能体（Configurable Agent）
  用 create_configurable_agent，把 instructions/subagents 等做成可配的构建器，方便在 langgraph.json 里部署和更新。也有 async 版本。

适合做什么

• 深度研究：查资料、比对观点、整合成文。
• 代码助手：规划变更、读改文件、分派子任务、总结提交。
• 数据/文档处理：拆分任务、多步加工、阶段性落盘。
• 流程自动化：有计划、有记忆、有分工、更可靠。

总结

建议先从小规模开始，逐步引入工具、子智能体和文件系统，并编写清晰的提示词指导智能体“先想后做、不确定时提问、记录关键步骤”。关键操作加入人工审核，并针对不同任务选用不同模型以平衡效果与成本。通过这些改进，原有的工具循环型智能体将变得更耐心、稳定，能更好地完成复杂任务。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

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】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

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】