有个问题我琢磨了很久：为什么同样的底层模型，有的 Agent 用起来像个实习生，有的却像个靠谱助手？
答案往往不在模型本身，而在工具。更准确点说，在"工具是怎么被设计出来的"。
去年我评估过几个开源 Agent 框架，发现它们对工具的理解差异巨大。有的框架把工具当成"函数调用"，只要能执行就行；有的框架考虑到了工具描述怎么写才能让模型理解；但真正做得好的，会把工具当成一个完整的"接口设计"问题来思考——包括工具怎么组织、怎么发现、怎么安全执行。
DeepAgents 在工具这块下了很大功夫。它不是只塞给你几个内置工具，而是试图把整个工具生态搭起来：Skills 负责复用工作流，MCP 负责接外部服务，沙箱模型负责把执行边界收住。这一篇我们就顺着这条线，一层层往下剥。
内置工具不是摆设
先回到基础。DeepAgents 默认给你的工具，不是摆在那里凑数的，每一个都带着明确的使用意图。
write_todos 看似简单，但它的提示词里藏着细节：
Use this tool to track multi-step tasks. Break down complex objectives into concrete, actionable items.
Mark items as complete when done. Update the list as requirements change.它其实是在引导 Agent 形成"规划-执行-检查"的工作习惯。看起来只是待办清单，背后其实是任务管理的思维方式。
文件操作工具族的设计也很有讲究。read_file 支持指定行范围，edit_file 支持字符串替换，glob 和 grep 支持批量搜索。这套组合覆盖了代码分析的完整工作流：先搜索定位，再细读内容，再修改保存。
特别想提一下 edit_file。它不是简单的"覆盖写入"，而是支持类似 sed 的替换操作：
edit_file(
path="/path/to/file.py",
old_string="def old_function():",
new_string="def new_function():"
)为什么是替换而不是直接写？因为替换天然带一点"验证"意味。如果 old_string 在文件里找不到，工具会报错，而不是盲目写入把文件搞坏。这种防御性设计，在生产环境里能少掉很多低级事故。
但这些只是基础。真正的扩展能力来自 Skills 和 MCP。
Skills：可复用的工作流
Skills 是 DeepAgents 里我很喜欢的设计。它解决了一个特别实际的问题：怎么让 Agent 掌握某个领域里已经被验证过的最佳实践？
举个例子。假设你有个内部流程：每次代码审查都要检查安全漏洞、性能隐患、是否符合编码规范。你当然可以把这套流程写成文档给 Agent 看，但那毕竟是静态的。Skills 的价值在于，它能把这套流程变成可复用的模块。
Skill 的结构
一个 Skill 就是一个目录，里面必须有个 SKILL.md 文件：
/skills/code-review/
├── SKILL.md # 核心定义
└── helper.py # 可选的辅助代码SKILL.md 的格式是 YAML frontmatter + Markdown 内容：
---
name: code-review
description: Perform comprehensive code review focusing on security, performance, and maintainability
license: MIT
---
# Code Review Skill
## When to Use
Use this skill when:
- User asks you to review code
- Pull request needs analysis
- Security audit is required
## Review Checklist
### Security
- [ ] Check for SQL injection vulnerabilities
- [ ] Validate input sanitization
- [ ] Review authentication logic
### Performance
- [ ] Identify N+1 queries
- [ ] Check for unnecessary loops
- [ ] Review memory usage patterns
### Maintainability
- [ ] Verify code follows project conventions
- [ ] Check documentation completeness
- [ ] Assess test coverage
## Output Format
Provide findings in this structure:Critical Issues (must fix)
-
• …
Warnings (should fix)
-
• …
Suggestions (nice to have)
-
• …
Skills 系统会解析这个文件，提取元数据（name, description, license），然后把 Markdown 内容注入到 Agent 的系统提示里。
渐进式披露
Skills 系统有个很精妙的设计叫"渐进式披露"（Progressive Disclosure）。
第一次加载 Skill 时，系统只读取 YAML frontmatter（也就几十 tokens），知道有这么个 Skill、大概干什么的。只有当 Agent 真正决定用这个 Skill 时，才把完整的 Markdown 内容加载进来。
看 skills.py 里的实现：
class SkillMetadata(TypedDict):
path: str
name: str
description: str
# ... 其他元数据
class SkillsMiddleware(AgentMiddleware):
def __init__(self, backend, sources):
# 启动时只加载元数据
self._skills_metadata = self._load_metadata(sources)
def modify_request(self, request):
# 第一次只注入元数据
skills_intro = self._format_skills_intro()
# ...
def _get_skill_full_content(self, skill_name):
# 真正用到时才加载完整内容
return self._backend.read_file(self._skill_paths[skill_name])这个设计非常实用。你想想，假设有 20 个 Skill，每个平均 5KB，如果全塞进系统提示，那上下文一下就鼓起来了，token 成本也跟着爆。渐进式披露的好处就是，启动成本主要跟 Skill 数量有关，而不是跟 Skill 正文长度正相关。
Skill 的层级
Skills 可以从多个来源加载，形成层级覆盖：
agent = create_deep_agent(
skills=[
"/skills/base/", # 公司基础规范
"/skills/team/", # 团队特定规则
"/skills/project/", # 项目定制流程
]
)同名的 Skill，后面的覆盖前面的。这种设计让组织可以建立 Skill 体系：基础层提供通用能力，上层逐级定制。
MCP：打破围墙花园
Skills 解决的是"复用"问题，但还有另一个更现实的问题：怎么跟外部世界连接？
你的 Agent 可能需要查数据库、发 Slack 消息、操作 GitHub PR。这些能力不应该硬编码在 Agent 里，而是通过标准协议动态接入。
这就是 MCP（Model Context Protocol）的用武之地。
MCP 是什么
简单说，MCP 就像 AI 应用的"USB 接口"。它定义了一套标准协议，让任何服务都可以暴露给 LLM 使用，而不用在 Agent 侧关心后端到底是什么。
一个 MCP Server 可以提供：
-
• Tools —— 可调用的函数 -
• Resources —— 可读取的数据 -
• Prompts —— 可复用的提示模板
DeepAgents 通过 langchain-mcp-adapters 集成 MCP：
from langchain_mcp_adapters import load_mcp_tools
from deepagents import create_deep_agent
# 连接到一个 MCP Server
mcp_tools = load_mcp_tools("https://my-mcp-server.com/sse")
agent = create_deep_agent(
tools=mcp_tools + [my_custom_tool]
)实战：接入数据库查询
假设你有个内部数据库，想让 Agent 能查询。传统做法一般是写个 query_database 工具，把连接字符串和查询逻辑都硬编码进去。但这样耦合太紧了。
MCP 的做法是：单独部署一个 MCP Server，专门处理数据库访问。
# mcp_server.py
from mcp.server import Server
server = Server("database-server")
@server.tool()
async def query_database(sql: str) -> str:
"""Execute SQL query and return results"""
# 连接数据库、执行查询、返回结果
return results
@server.resource("schema://tables")
async def get_tables() -> str:
"""Return database schema"""
return schema_info然后在 DeepAgents 里接入：
from langchain_mcp_adapters import load_mcp_tools
# Agent 通过 MCP 协议使用数据库，不用关心具体实现
db_tools = load_mcp_tools("http://localhost:8000/sse")
agent = create_deep_agent(tools=db_tools)好处很明显：
-
• 数据库逻辑独立维护，可以热更新 -
• 多个 Agent 可以共用同一个 MCP Server -
• MCP Server 可以自己控制权限、审计、限流 -
• Agent 侧代码干净，只关心业务逻辑
MCP 生态
MCP 协议是 Anthropic 发起的，但正在形成开放生态。目前已经有官方和社区实现的 Server：
-
• 文件系统 —— 读写本地文件 -
• PostgreSQL —— 数据库查询 -
• GitHub —— 操作 PR、Issues -
• Slack —— 发送消息 -
• Puppeteer —— 浏览器自动化
DeepAgents 的思路很清楚：内置工具覆盖通用需求，MCP 接住特定场景。这样既保留开箱即用的体验，又不会把扩展空间封死。
沙箱安全模型
工具能力越强，安全问题越突出。DeepAgents 有个 execute 工具能执行 shell 命令，如果滥用就是远程代码执行漏洞。
DeepAgents 的安全哲学很简单：Trust the LLM，但把边界 enforcement 放在工具层。
这不是说"相信模型不会干坏事"，而是说"就算模型想干坏事，工具层也得拦得住"。
Backend 的安全层级
DeepAgents 的 Backend 设计体现了这种分层安全思想。
最底层是 BackendProtocol，定义文件操作的基本接口。然后有 SandboxBackendProtocol 扩展，增加了执行能力：
class BackendProtocol:
"""基础后端：只支持文件操作"""
def read_file(self, path: str) -> ReadResult: ...
def write_file(self, path: str, content: str) -> WriteResult: ...
class SandboxBackendProtocol(BackendProtocol):
"""沙箱后端：额外支持执行"""
def execute(self, command: str) -> ExecuteResult: ...注意这个继承关系。execute 不是基础能力，是额外能力。只有显式使用支持 Sandbox 的 Backend，execute 工具才可用。
后端类型对比
StateBackend —— 最安全的选项
from deepagents.backends import StateBackend
agent = create_deep_agent(backend=StateBackend)-
• 文件存在内存里，不对真实文件系统做操作 -
• 不支持 execute，调用会返回错误 -
• 适合不需要持久化的场景，或者纯粹的分析任务
FilesystemBackend —— 有持久化需求时用
from deepagents.backends import FilesystemBackend
agent = create_deep_agent(
backend=FilesystemBackend(root_dir="./safe_zone")
)-
• 文件写入真实磁盘，但限制在 root_dir下 -
• 仍然不支持 execute -
• 适合需要保存结果，但不需要执行命令的场景
Sandbox Backends —— 需要执行时用
DeepAgents 支持多种沙箱后端：
# Modal 沙箱
from deepagents.backends.sandbox import ModalBackend
agent = create_deep_agent(
backend=ModalBackend(
image="python:3.11",
secrets=["MY_API_KEY"]
)
)
# Daytona 沙箱
from deepagents.backends.sandbox import DaytonaBackend
agent = create_deep_agent(
backend=DaytonaBackend(
timeout=300,
language="python"
)
)这些沙箱后端在隔离环境里执行命令，有资源限制、超时控制、网络隔离。即使 Agent 执行了恶意代码，也只影响沙箱内部。
最小权限原则
配置 Agent 时，问自己：这个任务真的需要执行权限吗？真的需要写文件吗？
如果只需要读文件分析，用 StateBackend。如果需要保存结果但不需要执行，用 FilesystemBackend。只有确实需要运行命令（比如构建项目、运行测试），才上 Sandbox。
这种"默认拒绝，显式开启"的设计，很符合安全领域的最小权限原则。
Human-in-the-Loop
沙箱是第一道防线，但有时候业务需要更细粒度的控制。比如允许 Agent 读任何文件，但写文件需要人工确认。
DeepAgents 的 interrupt_on 配置就是干这个的：
agent = create_deep_agent(
backend=FilesystemBackend(root_dir="./workspace"),
interrupt_on={
"write_file": True, # 写文件前暂停
"edit_file": True, # 编辑前暂停
"execute": { # 执行命令时根据内容决定
"condition": lambda tool_call: "rm" in tool_call["args"]["command"]
}
}
)当 Agent 调用这些工具时，执行会暂停，系统抛出中断，等待人类审批。审批可以修改工具参数，或者直接拒绝。
这在生产环境里特别重要。你可以让 Agent 自动处理常规任务，但在关键操作前，比如写生产代码、删文件、发邮件，再让人来拍板。
自定义 Backend 开发
如果现有的 Backend 都不满足需求，你可以自己实现。
Backend 的核心是实现 BackendProtocol：
from deepagents.backends.protocol import BackendProtocol, ReadResult, WriteResult, LsResult
class MyCustomBackend(BackendProtocol):
def __init__(self, config):
self.config = config
# 初始化你的存储连接
def read_file(self, path: str) -> ReadResult:
# 实现读取逻辑
content = self._fetch_from_my_storage(path)
return ReadResult(content=content)
def write_file(self, path: str, content: str) -> WriteResult:
# 实现写入逻辑
self._save_to_my_storage(path, content)
return WriteResult(success=True)
def ls(self, path: str) -> LsResult:
# 实现列表逻辑
files = self._list_my_storage(path)
return LsResult(files=files)然后在创建 Agent 时使用：
agent = create_deep_agent(
backend=lambda runtime: MyCustomBackend(config)
)为什么这里要用 lambda？因为某些 Backend（比如 StateBackend）需要运行时 context 才能初始化。lambda 的作用，就是把 Backend 的创建延迟到真正需要的时候。
实战：S3 Backend
假设你想把文件存在 AWS S3 而不是本地磁盘：
import boto3
from deepagents.backends.protocol import BackendProtocol, ReadResult, WriteResult
class S3Backend(BackendProtocol):
def __init__(self, bucket: str):
self.s3 = boto3.client('s3')
self.bucket = bucket
def read_file(self, path: str) -> ReadResult:
try:
response = self.s3.get_object(Bucket=self.bucket, Key=path)
content = response['Body'].read().decode('utf-8')
return ReadResult(content=content)
except self.s3.exceptions.NoSuchKey:
return ReadResult(error="file_not_found")
def write_file(self, path: str, content: str) -> WriteResult:
self.s3.put_object(
Bucket=self.bucket,
Key=path,
Body=content.encode('utf-8')
)
return WriteResult(success=True)
# 使用
agent = create_deep_agent(
backend=lambda rt: S3Backend(bucket="my-agent-bucket")
)这样 Agent 的所有文件操作都透明地落在 S3 上，天然支持多实例共享、持久化、备份。
小结
这一篇其实想说明一件事：真正把 Agent 做强的，往往不是模型参数，而是工具体系是不是成型。
内置工具解决的是最常见的脏活累活，Skills 解决的是经验复用，MCP 解决的是外部连接，沙箱和 Human-in-the-Loop 解决的则是边界控制。把这几层拼起来，你得到的就不再是"能调几个函数的 Agent"，而是一套能逐步接近生产环境的工作系统。
所以我更愿意把 DeepAgents 理解成"工具生态框架"，而不只是"多塞了几个工具的 Agent 封装"。这两者看起来差不多，落到实际项目里差别会非常大。
