Deepagents 30 分钟上手一条命令装好先跑通再谈定制【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeepagents 要解决的事情一句话让一个模型独立完成长任务——自己列计划、读写文件、把子任务拆给独立的子代理而不是每一步都等人喂上下文。它把规划、文件系统、子代理、上下文管理这些默认能力打包进一个 Python 库底层跑在 LangGraph 上装上就能用任何一块不满意都可以单独换掉。下面按跑通最小代理 → 跑一个完整示例 → 定制行为 → 推到线上 → 排坑的场景顺序走全程 30 分钟左右需要 Python 3.11 以上和 uv。用 uv 装好环境和 deepagents 包先装 uv再克隆示例仓库uv 是目前 Python 生态里安装速度最快的包管理器后面每一步都靠它。装好后把仓库克隆下来因为官方示例都在examples/目录里后面第 3 节会直接用到。curl -LsSf https://astral.sh/uv/install.sh | sh # uv 官方一行安装脚本 git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents建虚拟环境并安装主包在仓库根目录建一个虚拟环境装上 deepagents 主包再用 import 验证一次。这一步是在确认导入链没问题后面写业务代码时排错会快很多。uv venv --python 3.12 # 显式指定 Python 版本避免环境串味 uv pip install deepagents python -c import deepagents; print(deepagents.__version__)预期打印出一行版本号例如0.6.x。如果报 ModuleNotFoundError说明当前 shell 用的解释器不是刚建的虚拟环境激活它再跑。用 8 行代码跑通第一个 Deep Agent整个库的入口是create_deep_agent装配逻辑集中在 graph.py。不传任何参数时它已经自带ls、read_file、write_file、grep等文件工具、shell 执行和task子代理工具。有一个参数必须显式传model因为依赖默认模型从 0.5.3 起被标记弃用1.0 会移除。export ANTHROPIC_API_KEYsk-ant-... # 模型供应商密钥LangChain 默认从环境变量读取然后写一个最小脚本让代理把学习计划写进文件from deepagents import create_deep_agent agent create_deep_agent( modelanthropic:claude-sonnet-4-5, # provider:model 字符串也可传模型对象 system_promptYou are a planning assistant., ) result agent.invoke({messages: Make a 3-day LangGraph study plan, save it to plan.md}) print(result[messages][-1].content)预期终端打印出收尾文本当前目录多出一个plan.md。这 8 行代码里没有任何规划、文件系统、上下文管理的配置它们都在默认链路里。跑通 deep_research 示例观察代理如何分工仓库里最有信息量的示例是 deep_research给一个研究问题代理先拆解再并行派子代理去搜索最后汇总成报告。示例目录见 examples/deep_research/它同时演示了搜索工具、子代理委派和待办规划三件事怎么协作。配好密钥用 langgraph dev 启动cd examples/deep_research export TAVILY_API_KEYtvly-... # 网页搜索 API有免费额度 uv sync # 按 lock 文件安装全部依赖 langgraph dev # 启动本地 LangGraph 服务器自动在浏览器打开 Studio在 Studio 的对话框里输入研究问题预期能实时看到计划条目逐条勾选、子代理被分派、中间结果写进文件。选服务器方式而不是直接跑脚本是因为 Studio 把每一步工具调用都可视化了比读日志快得多。不想开服务器的话同目录下运行uv run jupyter notebook research_agent.ipynb可以逐格执行同一套逻辑。用 AGENTS.md、Skills 和子代理定制行为想改变代理行为优先改文件而不是改代码。content-builder-agent 示例展示了这套约定AGENTS.md放常驻的品牌口径skills/下每个目录放一个按需加载的工作流subagents.yaml定义可委派的子代理。对应的 Python 参数是agent create_deep_agent( modelanthropic:claude-sonnet-4-5, memory[./AGENTS.md], # 常驻上下文注入系统提示词 skills[./skills/], # 工作流文档需要时才进上下文 subagents[ { name: researcher, description: Research topics before writing, model: anthropic:claude-haiku-4-5, # 子代理可用更便宜的模型 }, ], backendFilesystemBackend(root_dir./), # 挂本地目录来自 deepagents.backends )为什么区分这三层常驻内容每次都占 token按需的 skill 只在被触发时加载子代理则拥有完全独立的上下文窗口适合把搜索、写稿这类消耗大的活拆出去主代理只收结论。把代理部署上线本地服务与托管 CLI 两条路自托管复用 LangGraph 服务器deep_research 目录里已经带langgraph.json本地langgraph dev验证通过后同一份项目可以直接交给 LangGraph Platform 发布成在线服务。LangGraph 负责流式输出、检查点和持久化代理的会话状态会落盘重启不丢上下文。托管deepagents-cli 发布另一条路是用 CLI 把项目发布为托管代理。注意 CLI 现在只含部署子命令init、deploy、agents、mcp-servers交互式编码代理已拆到独立的dcode工具。uv tool install deepagents-cli # 以独立工具安装不污染当前虚拟环境 export LANGSMITH_API_KEYls-... # 平台密钥deploy 命令必需 deepagents init my-agent cd my-agent # 生成 agent.json / AGENTS.md / tools.json 骨架 deepagents deploy # 把当前目录作为托管代理上传init生成的目录就是托管侧的全部配置面agent.json管模型和后端类型AGENTS.md是系统提示词tools.json引用已注册的 MCP 服务器。CLI 的界面和源码分别在libs/cli/images/与 libs/cli/。排掉三个最高频的坑不传 model 出现弃用警告0.5.3 起modelNone已弃用直接传provider:model字符串或模型对象警告即消失。依赖冲突装不上不要在环境里混用裸 pip 安装统一走uv sync或uv pip install冲突严重时uv venv重建虚拟环境再装一遍比逐个卸包快。看起来卡住了长任务里代理其实常在调子代理、写文件只是终端输出不密集。export LANGSMITH_API_KEY后把调用挂上 LangSmith追踪面板里每一次工具调用都有记录比盯终端靠谱。接下来值得做的三件事换模型任何支持工具调用的模型都可以用init_chat_model初始化后传进create_deep_agent本地 Ollama 模型同理。加人审interrupt_on参数能让指定工具在执行前暂停等批准涉及删文件、花钱的操作值得挂上。读装配逻辑从 graph.py 的中间件顺序入手能看懂规划、文件系统、摘要、记忆这几层默认行为是怎么叠上去的。把默认 harness 当成一层中间件栈来看想改行为先定位是哪一层在起作用再决定换掉它这比重写整个代理省事得多。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Deepagents 30 分钟上手：一条命令装好，先跑通再谈定制
Deepagents 30 分钟上手一条命令装好先跑通再谈定制【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeepagents 要解决的事情一句话让一个模型独立完成长任务——自己列计划、读写文件、把子任务拆给独立的子代理而不是每一步都等人喂上下文。它把规划、文件系统、子代理、上下文管理这些默认能力打包进一个 Python 库底层跑在 LangGraph 上装上就能用任何一块不满意都可以单独换掉。下面按跑通最小代理 → 跑一个完整示例 → 定制行为 → 推到线上 → 排坑的场景顺序走全程 30 分钟左右需要 Python 3.11 以上和 uv。用 uv 装好环境和 deepagents 包先装 uv再克隆示例仓库uv 是目前 Python 生态里安装速度最快的包管理器后面每一步都靠它。装好后把仓库克隆下来因为官方示例都在examples/目录里后面第 3 节会直接用到。curl -LsSf https://astral.sh/uv/install.sh | sh # uv 官方一行安装脚本 git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents建虚拟环境并安装主包在仓库根目录建一个虚拟环境装上 deepagents 主包再用 import 验证一次。这一步是在确认导入链没问题后面写业务代码时排错会快很多。uv venv --python 3.12 # 显式指定 Python 版本避免环境串味 uv pip install deepagents python -c import deepagents; print(deepagents.__version__)预期打印出一行版本号例如0.6.x。如果报 ModuleNotFoundError说明当前 shell 用的解释器不是刚建的虚拟环境激活它再跑。用 8 行代码跑通第一个 Deep Agent整个库的入口是create_deep_agent装配逻辑集中在 graph.py。不传任何参数时它已经自带ls、read_file、write_file、grep等文件工具、shell 执行和task子代理工具。有一个参数必须显式传model因为依赖默认模型从 0.5.3 起被标记弃用1.0 会移除。export ANTHROPIC_API_KEYsk-ant-... # 模型供应商密钥LangChain 默认从环境变量读取然后写一个最小脚本让代理把学习计划写进文件from deepagents import create_deep_agent agent create_deep_agent( modelanthropic:claude-sonnet-4-5, # provider:model 字符串也可传模型对象 system_promptYou are a planning assistant., ) result agent.invoke({messages: Make a 3-day LangGraph study plan, save it to plan.md}) print(result[messages][-1].content)预期终端打印出收尾文本当前目录多出一个plan.md。这 8 行代码里没有任何规划、文件系统、上下文管理的配置它们都在默认链路里。跑通 deep_research 示例观察代理如何分工仓库里最有信息量的示例是 deep_research给一个研究问题代理先拆解再并行派子代理去搜索最后汇总成报告。示例目录见 examples/deep_research/它同时演示了搜索工具、子代理委派和待办规划三件事怎么协作。配好密钥用 langgraph dev 启动cd examples/deep_research export TAVILY_API_KEYtvly-... # 网页搜索 API有免费额度 uv sync # 按 lock 文件安装全部依赖 langgraph dev # 启动本地 LangGraph 服务器自动在浏览器打开 Studio在 Studio 的对话框里输入研究问题预期能实时看到计划条目逐条勾选、子代理被分派、中间结果写进文件。选服务器方式而不是直接跑脚本是因为 Studio 把每一步工具调用都可视化了比读日志快得多。不想开服务器的话同目录下运行uv run jupyter notebook research_agent.ipynb可以逐格执行同一套逻辑。用 AGENTS.md、Skills 和子代理定制行为想改变代理行为优先改文件而不是改代码。content-builder-agent 示例展示了这套约定AGENTS.md放常驻的品牌口径skills/下每个目录放一个按需加载的工作流subagents.yaml定义可委派的子代理。对应的 Python 参数是agent create_deep_agent( modelanthropic:claude-sonnet-4-5, memory[./AGENTS.md], # 常驻上下文注入系统提示词 skills[./skills/], # 工作流文档需要时才进上下文 subagents[ { name: researcher, description: Research topics before writing, model: anthropic:claude-haiku-4-5, # 子代理可用更便宜的模型 }, ], backendFilesystemBackend(root_dir./), # 挂本地目录来自 deepagents.backends )为什么区分这三层常驻内容每次都占 token按需的 skill 只在被触发时加载子代理则拥有完全独立的上下文窗口适合把搜索、写稿这类消耗大的活拆出去主代理只收结论。把代理部署上线本地服务与托管 CLI 两条路自托管复用 LangGraph 服务器deep_research 目录里已经带langgraph.json本地langgraph dev验证通过后同一份项目可以直接交给 LangGraph Platform 发布成在线服务。LangGraph 负责流式输出、检查点和持久化代理的会话状态会落盘重启不丢上下文。托管deepagents-cli 发布另一条路是用 CLI 把项目发布为托管代理。注意 CLI 现在只含部署子命令init、deploy、agents、mcp-servers交互式编码代理已拆到独立的dcode工具。uv tool install deepagents-cli # 以独立工具安装不污染当前虚拟环境 export LANGSMITH_API_KEYls-... # 平台密钥deploy 命令必需 deepagents init my-agent cd my-agent # 生成 agent.json / AGENTS.md / tools.json 骨架 deepagents deploy # 把当前目录作为托管代理上传init生成的目录就是托管侧的全部配置面agent.json管模型和后端类型AGENTS.md是系统提示词tools.json引用已注册的 MCP 服务器。CLI 的界面和源码分别在libs/cli/images/与 libs/cli/。排掉三个最高频的坑不传 model 出现弃用警告0.5.3 起modelNone已弃用直接传provider:model字符串或模型对象警告即消失。依赖冲突装不上不要在环境里混用裸 pip 安装统一走uv sync或uv pip install冲突严重时uv venv重建虚拟环境再装一遍比逐个卸包快。看起来卡住了长任务里代理其实常在调子代理、写文件只是终端输出不密集。export LANGSMITH_API_KEY后把调用挂上 LangSmith追踪面板里每一次工具调用都有记录比盯终端靠谱。接下来值得做的三件事换模型任何支持工具调用的模型都可以用init_chat_model初始化后传进create_deep_agent本地 Ollama 模型同理。加人审interrupt_on参数能让指定工具在执行前暂停等批准涉及删文件、花钱的操作值得挂上。读装配逻辑从 graph.py 的中间件顺序入手能看懂规划、文件系统、摘要、记忆这几层默认行为是怎么叠上去的。把默认 harness 当成一层中间件栈来看想改行为先定位是哪一层在起作用再决定换掉它这比重写整个代理省事得多。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考