Hi经过 Task 1咱们的环境已经配置好啦。我们在跑 demo 的时候还是用 VS Code 来使用。一、用vscode打开wsl项目code .稍等一会在打开的vscode中看到WSL: Ubuntu-24.04即成功。然后配置相关模型包括这部分教程需要的 SiliconFlow 模型。在终端设置export SILICONFLOW_API_KEY... export MODEL_NAMEQwen/Qwen2.5-7B-Instructkey 值自己填写模型可以选择更好的因为涉及 Agent 的工具调用对模型的要求还是有的。二、根据教程创建demo文件包括hello_agent.py、calculator_agent.py、research_agent.py。这部分主要学习了以下内容重点学习了 Tool 的三部分def internet_search( query: str, max_results: int 5, topic: Literal[general, news, finance] general, ):Agent 会看到函数名 参数名 参数类型 默认值 docstring2. 在research_agent.py中的学习内容首先要配置TAVILY_API_KEY以及LANGSMITH相关配置步骤如下export TAVILY_API_KEY... export LANGSMITH_API_KEY... export LANGSMITH_TRACINGtrue export LANGSMITH_PROJECTdeepagents-in-action三、研究助手的工作流程在研究助手如 research_agent.py的工作中Agent 不再只是调用一次工具就结束。当我们打印完整的 Message 序列时会发现它经历了复杂的交互过程HumanMessage → AIMessage → ToolMessage → AIMessage → ToolMessage ... → 最终 AIMessage例如当研究助手研究 什么是 LangGraph 时它会第一次搜索internet_search(queryLangGraph 是什么, max_results10)同时还会搜索LangGraph framework overview拿到结果后Agent 继续搜索LangGraph architecture StateGraph nodes edges explained以及LangGraph vs LangChain 区别 对比进一步搜索LangGraph Pregel 架构 超步 super-step和LangGraph 使用场景 案例 企业 Klarna Uber再继续补充Functional API vs StateGraph API Python 快速入门最后才输出完整的研究报告这个过程证明了研究助手已经开始出现复杂的工作模式搜索 → 观察结果 → 判断还缺什么 → 继续搜索 → 再观察 → 继续补充资料 → 生成最终报告也就是Reason → Act → Observe → Reason → Act → Observe 的循环过程。这种模式体现了 LangGraph 的核心思想——通过状态图StateGraph来管理 Agent 的复杂工作流让 Agent 能够根据前一步的结果动态决定下一步的行动而不是简单的线性执行。四、LangSmith观察 Agent 内部执行在配置好环境并运行 research_agent.py 后我们可以通过 LangSmith 来观察 Agent 的内部执行过程。首先你创建了 LangSmith Personal Access Token并设置了以下环境变量export LANGSMITH_API_KEY... export LANGSMITH_TRACINGtrue export LANGSMITH_PROJECTdeepagents-in-action然后运行python research_agent.pyLangSmith 会自动记录 Trace。你不需要在代码里专门写upload_trace(...)因为 LangChain / LangGraph / Deep Agents 本身就支持 tracing。LangSmith Trace 怎么看当你成功运行后可以在 LangSmith 中看到类似这样的 Trace 结构LangGraph ├── model │ └── ChatOpenAI │ ├── tools │ └── internet_search │ └── model └── ChatOpenAI这就是最基础的一次 Agent LoopModel → Tool → Model在 Trace 的顶层你会看到LangGraph表示这是一个 LangGraph 工作流50.48s整个 Trace 的总耗时14.6K整个 Trace 的 token 使用量通过 LangSmith 的 Trace你可以清晰地看到Agent 的完整执行流程每个步骤的耗时和 token 消耗工具调用的输入和输出模型思考的过程整个工作流的性能指标这对于调试和优化 Agent 行为非常有帮助让你能够深入了解 Agent 的内部工作机制。四、Framework 和 Harness 的区别这是你这次理解得很重要的一块。可以简单记LLM 大脑Agent Framework 让模型能够调用工具、循环执行Agent Harness 驾驭整个 Agent 的工程系统 DateWhale---DeepAgents项目 task2
Hi经过 Task 1咱们的环境已经配置好啦。我们在跑 demo 的时候还是用 VS Code 来使用。一、用vscode打开wsl项目code .稍等一会在打开的vscode中看到WSL: Ubuntu-24.04即成功。然后配置相关模型包括这部分教程需要的 SiliconFlow 模型。在终端设置export SILICONFLOW_API_KEY... export MODEL_NAMEQwen/Qwen2.5-7B-Instructkey 值自己填写模型可以选择更好的因为涉及 Agent 的工具调用对模型的要求还是有的。二、根据教程创建demo文件包括hello_agent.py、calculator_agent.py、research_agent.py。这部分主要学习了以下内容重点学习了 Tool 的三部分def internet_search( query: str, max_results: int 5, topic: Literal[general, news, finance] general, ):Agent 会看到函数名 参数名 参数类型 默认值 docstring2. 在research_agent.py中的学习内容首先要配置TAVILY_API_KEY以及LANGSMITH相关配置步骤如下export TAVILY_API_KEY... export LANGSMITH_API_KEY... export LANGSMITH_TRACINGtrue export LANGSMITH_PROJECTdeepagents-in-action三、研究助手的工作流程在研究助手如 research_agent.py的工作中Agent 不再只是调用一次工具就结束。当我们打印完整的 Message 序列时会发现它经历了复杂的交互过程HumanMessage → AIMessage → ToolMessage → AIMessage → ToolMessage ... → 最终 AIMessage例如当研究助手研究 什么是 LangGraph 时它会第一次搜索internet_search(queryLangGraph 是什么, max_results10)同时还会搜索LangGraph framework overview拿到结果后Agent 继续搜索LangGraph architecture StateGraph nodes edges explained以及LangGraph vs LangChain 区别 对比进一步搜索LangGraph Pregel 架构 超步 super-step和LangGraph 使用场景 案例 企业 Klarna Uber再继续补充Functional API vs StateGraph API Python 快速入门最后才输出完整的研究报告这个过程证明了研究助手已经开始出现复杂的工作模式搜索 → 观察结果 → 判断还缺什么 → 继续搜索 → 再观察 → 继续补充资料 → 生成最终报告也就是Reason → Act → Observe → Reason → Act → Observe 的循环过程。这种模式体现了 LangGraph 的核心思想——通过状态图StateGraph来管理 Agent 的复杂工作流让 Agent 能够根据前一步的结果动态决定下一步的行动而不是简单的线性执行。四、LangSmith观察 Agent 内部执行在配置好环境并运行 research_agent.py 后我们可以通过 LangSmith 来观察 Agent 的内部执行过程。首先你创建了 LangSmith Personal Access Token并设置了以下环境变量export LANGSMITH_API_KEY... export LANGSMITH_TRACINGtrue export LANGSMITH_PROJECTdeepagents-in-action然后运行python research_agent.pyLangSmith 会自动记录 Trace。你不需要在代码里专门写upload_trace(...)因为 LangChain / LangGraph / Deep Agents 本身就支持 tracing。LangSmith Trace 怎么看当你成功运行后可以在 LangSmith 中看到类似这样的 Trace 结构LangGraph ├── model │ └── ChatOpenAI │ ├── tools │ └── internet_search │ └── model └── ChatOpenAI这就是最基础的一次 Agent LoopModel → Tool → Model在 Trace 的顶层你会看到LangGraph表示这是一个 LangGraph 工作流50.48s整个 Trace 的总耗时14.6K整个 Trace 的 token 使用量通过 LangSmith 的 Trace你可以清晰地看到Agent 的完整执行流程每个步骤的耗时和 token 消耗工具调用的输入和输出模型思考的过程整个工作流的性能指标这对于调试和优化 Agent 行为非常有帮助让你能够深入了解 Agent 的内部工作机制。四、Framework 和 Harness 的区别这是你这次理解得很重要的一块。可以简单记LLM 大脑Agent Framework 让模型能够调用工具、循环执行Agent Harness 驾驭整个 Agent 的工程系统