如何用Deepagents构建你的第一个AI助手从零到部署的完整指南【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents你是否曾经想过拥有一个真正智能的助手能够理解复杂指令、规划多步任务还能调用各种工具完成任务Deepagents正是这样一个开箱即用的AI代理框架它让你不再需要从头搭建复杂的AI系统。Deepagents是一个功能完备的AI代理框架基于LangChain和LangGraph构建专为处理长周期、多步骤的复杂任务设计。无论你是想构建一个研究助手、代码生成工具还是文档分析系统Deepagents都能提供完整的解决方案。为什么选择Deepagents在AI代理领域很多框架要么过于简单无法处理复杂任务要么配置过于繁琐让人望而却步。Deepagents找到了完美的平衡点开箱即用的强大功能Deepagents预置了文件系统访问、上下文管理、子代理调度等核心功能让你能立即开始构建应用。极致的灵活性虽然是有主见的框架但你可以覆盖或替换任何组件无需fork整个项目。生产就绪基于LangGraph构建支持流式处理、持久化和检查点与LangSmith深度集成提供完整的追踪、评估和监控能力。核心功能深度解析智能任务规划与分解Deepagents最强大的能力之一是自动任务分解。当面对复杂问题时它能自动拆解为多个子任务并协调多个子代理并行处理。上图展示了Deepagents的Text-to-SQL代理在LangSmith平台上的执行追踪。你可以看到代理如何逐步分析需求、探索数据库结构、生成SQL查询并执行验证。这种可视化追踪让你能清晰了解代理的思考过程。文件系统与工具集成Deepagents支持多种后端文件系统包括本地文件、沙箱环境和远程存储。这意味着你的代理可以直接读取、编辑、搜索文件就像人类开发者一样。# 简单几行代码就能创建功能完备的代理 from deepagents import create_deep_agent agent create_deep_agent( modelopenai:gpt-5.5, tools[my_custom_tool], system_prompt你是一个研究助手, )上下文管理与内存持久化处理长对话或多步骤任务时上下文管理至关重要。Deepagents能自动总结长对话历史将工具输出卸载到磁盘并通过可插拔的状态存储后端实现跨会话记忆。实战构建你的第一个研究助手环境准备首先获取项目代码git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagentsDeepagents使用uv进行依赖管理确保安装uvcurl -LsSf https://astral.sh/uv/install.sh | sh安装依赖在项目根目录下使用uv安装deepagentsuv add deepagents创建基础代理让我们创建一个简单的研究助手。在examples/deep_research/目录中你可以找到一个完整的研究代理示例# 基于examples/deep_research/agent.py简化示例 from deepagents import create_deep_agent from deepagents.backends.filesystem import FilesystemBackend import asyncio async def main(): # 创建研究助手代理 researcher create_deep_agent( modelopenai:gpt-5.5, system_prompt你是一个专业的研究助手擅长查找、分析和总结信息。, backends[FilesystemBackend()] # 添加文件系统支持 ) # 开始研究任务 result await researcher.ainvoke({ messages: 研究LangGraph的核心概念并写一份总结报告 }) print(result[messages][-1].content) asyncio.run(main())添加自定义工具Deepagents的强大之处在于你可以轻松添加自定义工具。假设你想让代理能搜索arXiv论文from langchain.tools import tool from typing import List, Dict tool def search_arxiv_papers(query: str, max_results: int 5) - List[Dict]: 搜索arXiv论文 # 这里实现实际的搜索逻辑 return papers_data # 创建带自定义工具的代理 agent_with_tools create_deep_agent( modelopenai:gpt-5.5, tools[search_arxiv_papers], system_prompt你是学术研究专家 )高级功能子代理与技能系统子代理协调Deepagents支持动态创建子代理每个子代理专注于特定子任务。这在处理复杂工作流时特别有用from deepagents.middleware.subagents import SubagentMiddleware # 配置子代理中间件 agent create_deep_agent( modelopenai:gpt-5.5, middleware[SubagentMiddleware()], system_prompt你是项目经理负责协调多个专家完成复杂任务 )技能系统技能是可复用的行为模式代理可以根据需要动态加载。Deepagents内置了多种技能你也可以创建自己的技能上图展示了Deepagents的TUI界面你可以看到代理如何加载和使用不同技能。技能系统让代理的行为更加模块化和可重用。生产部署最佳实践监控与追踪将Deepagents与LangSmith集成获得完整的执行追踪import os os.environ[LANGSMITH_TRACING] true os.environ[LANGSMITH_API_KEY] your-api-key # 所有调用都会自动记录到LangSmith result agent.invoke({messages: 你的任务})错误处理与重试Deepagents内置了完善的错误处理机制。你可以配置重试策略和异常处理from deepagents.middleware import RetryMiddleware agent create_deep_agent( modelopenai:gpt-5.5, middleware[RetryMiddleware(max_retries3)], system_prompt你的助手 )安全性考虑Deepagents采用信任LLM模型这意味着代理可以做其工具允许的任何事情。你需要在工具/沙箱级别设置边界而不是期望模型自我约束。实际应用场景企业文档处理在examples/content-builder-agent/中你可以找到一个内容构建代理的完整实现。它能自动生成博客文章、社交媒体内容并保持一致的品牌声音。代码生成与审查examples/deploy-coding-agent/展示了如何构建一个自主编码代理能在LangSmith沙箱中编写、测试和审查代码。数据库查询examples/text-to-sql-agent/演示了如何将自然语言转换为SQL查询包括数据库探索、查询生成和结果验证的完整流程。性能优化技巧上下文管理策略对于长对话场景合理配置上下文管理策略能显著提升性能from deepagents.middleware.memory import MemoryMiddleware agent create_deep_agent( modelopenai:gpt-5.5, middleware[MemoryMiddleware(max_context_length8000)], system_prompt你的助手 )模型选择Deepagents支持任何支持工具调用的LLM包括前沿APIOpenAI、Anthropic、Google开源模型通过Baseten、Fireworks等托管本地模型通过Ollama、vLLM、llama.cpp开始你的Deepagents之旅现在你已经了解了Deepagents的核心概念和基本用法是时候开始构建你自己的AI助手了。项目提供了丰富的示例代码你可以在examples/目录中找到各种应用场景的完整实现。记住最好的学习方式是动手实践。从简单的任务开始逐步添加复杂功能你会发现Deepagents能帮助你快速构建出真正有用的AI应用。下一步行动克隆项目并运行快速开始示例探索examples/目录中的不同应用场景基于现有示例创建你自己的代理加入LangChain社区分享你的经验和成果Deepagents正在快速发展社区活跃文档完善。无论你是AI新手还是经验丰富的开发者都能在这个框架中找到构建智能应用的新可能。开始构建让AI为你工作【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