想象一下，一个智能体：
-
• 没有记忆 → 很快就忘事 -
• 没有计划 → 总是东张西望 -
• 不会委派 → 永远只能靠自己
而 Deep Agents 的“支撑层”，就是把模型真正变成能干活的智能体的关键。
什么是 Deep Agents？
deepagents 是一个智能体支撑层库（agent harness），基于 LangChain 核心模块和 LangGraph 运行时。它的作用是：
-
• 控制智能体的执行循环 -
• 管理工具调用 -
• 跟踪状态 -
• 执行流程控制
这样，模型就能专心做推理，不用操心其他杂事。
特点
开箱即用就能做到：
-
• 任务规划：按步骤处理复杂任务 -
• 上下文管理：用文件系统工具管理跨多步的上下文 -
• 子智能体：把复杂任务拆给子智能体，互不干扰 -
• 长期记忆：跨会话记住历史
所以无论是简单任务还是长流程、多步骤任务，都能直接用，不用额外接线。
三大核心组件
-
1. Deep Agents SDK：编程方式创建智能体 -
2. Deep Agents CLI：基于 SDK 的终端编码智能体 -
3. ACP 集成：把 Deep Agents 连到代码编辑器（比如 Zed）
快速上手
# 安装 deepagents
# pip install -qU deepagents langchain-Ollama
from deepagents import create_deep_agent
def get_weather(city: str) -> str:
"""Get weather for a given city."""
return f"It's always sunny in {city}!"
agent = create_deep_agent(
model="ollama:devstral-2",
tools=[get_weather],
system_prompt="You are a helpful assistant",
)
# 调用智能体
agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)什么时候用？
如果任务很复杂或者需要长时间执行，普通的智能体循环就不够用了。典型场景包括：
-
• 多步骤任务：需要跟踪每一步进度 -
• 上下文管理：任务上下文超出单条提示，需要工具帮忙存储和总结 -
• 子智能体委派：把复杂子任务拆给专业子智能体 -
• 长期记忆：记住之前的会话内容
这些功能一起用，Deep Agents SDK 就能直接帮你搞定，无需额外配置。
额外优势
-
• 可以换文件存储方式：内存（测试）、本地磁盘（开发）、持久存储（生产） -
• 可在沙箱环境安全执行 shell 命令 -
• 可以限制智能体能读写哪些文件 -
• 关键操作可以要求人工确认 -
• 支持任何能调用工具的模型，不锁死特定提供商
如果你的任务很简单，不需要这些功能，直接用 LangChain 的
create_agent或自定义 LangGraph 工作流更轻量，更方便。
