这篇笔记主要讲清楚一件事：为什么很多基于大模型的 Agent 容易“浅”，以及 Deep Agents 是如何用规划工具、子代理、虚拟文件系统和系统提示词，把复杂任务拆解并推进到底的。文末也整理了安装方式、代码仓库链接和相关课程，方便你快速上手。

为什么很多 Agent 停在“浅层”

很多应用把“让大模型循环调用工具”当作 Agent 的基本形态。它简单好用，但在长流程、复杂目标上容易失灵。原因很直观：没有明确的长期规划、没有角色分工、没有可靠的中间产物管理，模型就难以在多步任务里保持方向感。

类似 “Deep Research”“Manus”“Claude Code” 这类应用之所以跑得更远，核心在于同时具备四样东西：

• planning tool（规划工具）

• sub-agents（子代理）

• file system（文件系统）访问

• detailed prompt（更细致的系统提示词）

Deep Agents 做的事情，就是把这些共通做法抽出来，做成通用组件，让我们可以在 Python 或 JavaScript/TypeScript 里快速组装一个“更深入”的 Agent。

核心设计与特性

从实际应用来看，Deep Agents 把有效的架构模式做成了标准件，关键点包括：

• Planning Tool（规划工具）

• 内置的任务规划能力，先拆分，再执行。它的核心在于把复杂目标变成可推进的步骤，从而支持更长程的计划。

• Persistent State（持久化状态）

• 不只依赖对话历史。工具调用之间也能保留状态与中间结果，任务推进就不会“断片”。

• Sub-agents（子代理）与上下文隔离

• 为特定子任务引入专精的代理，并把各自上下文隔离开，减少相互干扰。换个角度思考，这就是把“多角色协作”和“信息边界”落地。

• Virtual File System（虚拟文件系统）

• 提供一个“仿真”的文件系统，用来存放计划、草稿、结果等中间产物。它能避免命名冲突和读写混乱，同时让长流程任务有可依赖的工作区。

• Detailed System Prompt（更细致的系统提示词）

• 系统提示词借鉴了 Claude Code 的成熟套路，强调角色、目标、边界与步骤，帮助模型更稳定地执行复杂任务。

值得注意的是，Deep Agents 并不强调某种“神奇的模型技巧”，而是把被验证有效的工程做法重用起来。这些模式正是让类似 Claude Code 这类工具表现更好的关键。

安装与语言支持

Deep Agents 同时支持 Python 和 JavaScript/TypeScript，上手成本很低。

• Python

• pip 安装：

  pip install deepagents
  

• JavaScript/TypeScript

• npm 安装： npm install deepagents

• 或使用 yarn： yarn add deepagents

实现与包信息：

• Python 实现与示例代码：https://github.com/hwchase17/deepagents

• npm 包页面：https://www.npmjs.com/package/deepagents

与 Claude Code 的关系

官方明确提到，这个项目主要受到 Claude Code 的启发，目标是更好地理解并扩展那套方法论。结合我们的经验，这种“规划 - 子代理 - 文件系统 - 提示词”的组合，确实能把 Agent 从“一次性问答”提升到“可持续推进的多步协作”。

适合哪些场景

• 长流程的研究与汇总，比如“深度调研”

• 多角色分工的工程任务，比如“读写代码、运行测试、整理报告”

• 需要留存中间产物的工作流，比如“生成草稿 - 反思 - 修订 - 定稿”

如果你的应用已经在用“调用工具的循环”，但总感觉推进无力，可以先把规划器和虚拟文件系统加上，再逐步引入子代理与更细致的系统提示词。

致谢

该项目受 Claude Code 启发，旨在复盘其有效做法并进一步拓展。

以上就是我对 Deep Agents 概览页的整理。这个思路并不复杂，关键在于把规划、协作和状态管理做实。等这些地基打好了，Agent 的“深度”自然就能上来。

我们该怎样系统的去转行学习大模型 ？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来： 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

​