从浅到深：Deep Agents 核心能力与架构全解析

发表于最近更新于最近

作者 KennethCheng

422~542 分钟 阅读

从浅到深：Deep Agents 核心能力与架构全解析

一文掌握 LLM 智能体从"简单工具循环"到"复杂任务规划"的进化之路

🎯 引子：为什么简单 Agent 不够用？

在 LLM 应用开发中，最常见的 Agent 模式就是：

LLM + 工具循环调用 — 用户给指令，模型判断要不要调工具，调完拿结果继续推理。

这种"浅 Agent" 模式足以应对聊天、简单查询、单步任务。但当任务变得复杂、长时、多步时，它就显得力不从心：

❌ 任务步骤太多，上下文装不下
❌ 中间结果无法持久化
❌ 多线任务难以分工协作
❌ 跨会话信息全部丢失

Deep Agents 就是为了解决这些问题而诞生的。

🧠 一、Deep Agent 的核心概念

1.1 简单 Agent vs Deep Agent

简单 Agent：单层 LLM + 工具循环 → 只能处理"浅"任务

1.2 Deep Agent 的进化

DeepAgent 通过引入 四大基本概念，让 Agent 实现从"浅"到"深"的转变：

💪 二、四大核心能力详解

2.1 能力全景图

2.2 能力详解

✏️ 1. 规划与任务分解

让 Agent 能够将复杂任务拆解为离散步骤，跟踪进展，并根据新信息动态调整计划。

实现：To-do-list 中间件
触发：Agent 收到复杂任务时自动生成 todo list

📖 2. 上下文管理

通过文件系统工具管理大量上下文，防止上下文窗口溢出。

实现：file system 中间件 + Summarization 中间件
关键工具：ls、read_file、write_file、edit_file
Summarization 配置：

trigger = ("fraction", 0.9)    # 上下文到 90% 时触发摘要
keep    = ("fraction", 0.15)   # 摘要后保留 15% 原文

👥 3. 子代理生成

通过专门的子代理处理子任务，实现上下文隔离。

实现：内置 task 工具
效果：主代理上下文保持干净，子代理可深入处理子任务

🗃️ 4. 长期记忆

跨对话和线程持久保存信息。

实现：file system 中间件 + 不同类型的 Backend
抽象：Backend 可替换（本地文件系统、数据库、云存储等）

🏗️ 三、架构剖析：模型、中间件、工具

3.1 整体架构

3.2 数据流（一次工具调用）

💻 四、实战：create_deep_agent 代码模板

4.1 最简示例

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


# 1️⃣ 定义详尽提示词（DeepAgent 的核心之一）
research_instructions = """你是一位专业研究员。你的职责是开展全面研究，
并撰写精炼的报告。您主要通过internet_search获取信息。
对于相对复杂的任务你要首先编写todo_list以记录任务过程。

## `internet_search`

使用此功能可针对特定查询执行互联网搜索。您可指定返回结果的最大数量、
主题范围，以及是否包含原始内容。
"""

# 2️⃣ 创建 Agent（返回 compile graph 对象）
agent = create_deep_agent(
    model = model,
    tools = [internet_search],
    system_prompt = research_instructions,
    backend = FilesystemBackend(root_dir = ".", virtual_mode = True)
)

# 3️⃣ 调用方式（与传统 Agent 完全相同）
result = agent.invoke({
    "messages": [{"role": "user", "content": "研究一下 LangGraph 最新进展"}]
})

4.2 内部实现关系

💡 create_deep_agent 实际上就是 create_agent + 复杂任务增强配置，所以调用方式与传统 Agent 完全一致。

⚙️ 五、参数详解与使用场景

5.1 四大常用参数

参数	作用	默认值
`system_prompt`	追加到 `BASE_AGENT_PROMPT` 之后的额外系统提示	无
`tools`	用户赋予的额外工具列表	`[]`
`backend`	文件系统后端（默认本地）	`FilesystemBackend`
`interrupt_on`	Human-in-the-Loop 中断配置	`"None"`

5.2 BASE_AGENT_PROMPT

In order to complete the objective that the user asks of you,
you have access to a number of standard tools.

用户传入的 system_prompt 会追加到这个基础提示之后，形成最终的系统提示。

5.3 何时使用 DeepAgent？

场景	必要性
复杂多步骤任务（研究、规划、写作）	⭐⭐⭐
大量上下文处理（长文档、代码库）	⭐⭐⭐
需要任务委派（多 Agent 协作）	⭐⭐
跨会话持久记忆	⭐⭐

🎁 六、一张图回顾

📝 结语

DeepAgent 不是要取代简单 Agent，而是为复杂长任务提供一套完整的解决方案：

规划让 Agent 不再迷失方向
上下文管理让 Agent 不再受窗口限制
子代理让 Agent 不再孤军奋战
长期记忆让 Agent 不再失忆

如果你正在处理多步骤、长上下文、需要协作的复杂任务，不妨试试 DeepAgent。

💬 讨论：你在项目中遇到过哪些"浅 Agent"搞不定的场景？欢迎评论区交流 👇

Ai, LangChain

LangChain Ai Python

许可协议: CC BY 4.0