❝

你是否曾梦想构建一个能自主规划、长期运行、完成复杂任务的 AI 智能代理？DeepAgents 0.2 来袭——为你解锁构建“深层智能体”的新方式！

Doubling down on DeepAgents

🧠 从概念到框架：什么是 DeepAgents？

两个月前，LangChain 团队在 《Deep Agents》 一文中首次提出了 Deep Agents 的概念——一种能够执行复杂、开放式任务并在较长时间跨度内持续运行的智能代理。

团队认为，这类“深层智能体”需要四个关键要素：

• 🗺️ 规划工具（Planning Tool）
• 📂 文件系统访问（Filesystem Access）
• 🤖 子代理（Subagents）
• ✍️ 精细提示词（Detailed Prompts）

随后，他们推出了 deepagents ——一个基于上述要素的 Python 包。 开发者只需自定义工具和提示，即可快速构建属于自己的 Deep Agent。

自首次发布以来，社区反馈热烈。今天，团队正式宣布推出 0.2 版本 ——带来了更灵活的架构、更强的可扩展性与更完善的自我管理能力。

⚙️ 版本亮点一：可插拔后端（Pluggable Backends）

0.2 版本最重要的更新是引入了 可插拔后端机制（Pluggable Backend）。 在早期版本中，deepagents 的“文件系统”实际上是基于 LangGraph 状态的“虚拟文件系统”。 而现在，开发者可以自由选择并组合不同类型的存储系统。

✅ 内置后端包括：

• LangGraph State：基于状态的虚拟存储。
• LangGraph Store：支持跨线程数据持久化。
• 本地文件系统：直接使用本地磁盘进行文件读写。

🧩 全新特性：复合后端（Composite Backend）

这项功能让你能够在一个基础后端上叠加其他类型的后端。例如：

❝

你可以设置本地文件系统作为基础后端， 再将 /memories/ 目录映射到基于 S3 的虚拟文件系统。 这样，智能体的“记忆”就能持久化保存，跨设备长期保留。

此外，开发者还可以：

• 编写自定义后端，创建任意数据库上的“虚拟文件系统”；
• 或继承现有后端，为文件写入设置访问限制、格式检查等 Guardrails（安全护栏）。

⚡ 版本亮点二：更智能的自我管理机制

除了核心架构升级，0.2 版本还引入了多项细节优化，让智能体在运行过程中更“懂得管理自己”：

• 🧠 **大型工具结果回收**： 当工具调用结果超过指定 token 限制时，自动转储至文件系统，防止上下文溢出。
• 💬 **对话历史总结**： 在 token 使用量过大时，自动压缩旧对话历史，节省成本并保持语义连贯。
• 🔧 **悬挂工具调用修复**： 当工具调用在执行前被中断或取消时，自动修复消息历史，保持执行流一致性。

这些更新使得 deepagents 更适合构建长期运行、复杂多步推理的“自治型智能体”。

---

🧭 如何选择：DeepAgents vs LangChain vs LangGraph

在 LangChain 生态体系中，deepagents、langchain 和 langgraph 是三层递进的开源组件。 它们不是替代关系，而是分层协同：

名称	角色定位	适用场景
LangGraph	Agent Runtime （代理运行时）	适合构建工作流与代理组合的复杂系统
LangChain	Agent Framework （代理框架）	适合从零构建代理，自定义提示词与工具
DeepAgents	Agent Harness （代理运行框架）	适合开发长期自治、具备规划与记忆能力的深层智能体

三者的关系可简单概括为：

❝

LangGraph 提供运行时基础 →LangChain 定义智能体框架 →DeepAgents 构建在此之上，实现更高层次的自治能力。

🧩 结语：构建下一代自主智能体

随着 0.2 版本的发布，deepagents 不仅是一个工具包，更是通向下一代 AI 自主代理（Autonomous Agent） 的桥梁。 通过可插拔后端、对话压缩、结果回收等机制，开发者可以更轻松地构建具备 长期规划、记忆管理与自主迭代 能力的智能体。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

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】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 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】