企业官网建设流程全解析

INTERVIEW SCENE · AGENT 架构

面试官把一项任务推到你面前：“调研五个开源 Agent 项目，分别看架构、上下文管理和子 Agent 设计，最后给我一份带依据的对比报告。”

他继续加条件：“每个项目的资料分开整理，调研可以并行；几十页原文别全塞进主上下文；中途退出，第二天还能接着做。”

搜索工具能把资料找回来，但谁来管理文件、上下文和子任务？

然后问题来了：Deep Agents 到底是什么？它和 LangGraph 又是什么关系？

01

DEFINITION

它不是一种更“深”的 Agent

Deep Agents 不是新模型，也不是让模型多思考几轮的开关。

官方给它的定位是 agent harness，可以理解成一套有明确默认配置的 Agent 工作台。核心仍然是模型判断、调用工具、读取结果的循环，但文件系统、上下文管理、子 Agent 和人工介入等能力已经组合好了。

所以名字里的 Deep，更接近“能处理更长、更复杂的任务”，不是模型回答问题时眉头皱得更深。

02

WHY HARNESS

为什么create\_agent还不够

create_agent 像一套精简的 Agent 骨架。模型、工具、中间件怎么组合，主要由开发者根据业务自己配置。

如果只是搜索一个项目、调用两三个工具，它已经很合适。但前面的调研任务会快速冒出几个工程问题：搜索结果越来越多，原始材料挤满上下文；不同项目的中间结论混在一起；主 Agent 既要查资料，又要做比较，还要记住完成到了哪一步。

这些能力当然可以自己加。Deep Agents 做的事情，是把长任务里反复出现的那套“周边工程”先装好。

03

CAPABILITIES

Deep Agents 具体多了什么

先看文件系统。大量网页、代码和分析结果可以写进虚拟文件系统，主上下文只保留路径和当前需要的片段。材料还在，但不用一直摊在模型面前。

这里的“文件系统”不只等于本地磁盘。它可以落在内存、本地目录、LangGraph Store 或隔离沙箱里，也能换成自己的后端。

同一 thread 中断后继续，依赖 LangGraph 的 checkpointer 与持久化执行。跨 thread 的长期记忆则是另一件事，通常要把 /memories/ 路由到 StoreBackend 并使用持久 Store。磁盘里还有文件，不等于 Agent 下次会自动把它当成记忆加载。

再看子 Agent。主 Agent 可以通过 task 工具把五个项目分别交给独立消息上下文处理，每个子 Agent 最后只返回一份总结。那些搜索、读取和试错过程不会全部倒回主线程。

这里隔离的是对话和工具轨迹，不代表执行环境完全隔离：runtime context 会继续传给子 Agent，默认 StateBackend 下的文件也可以由主 Agent 和子 Agent 共享。需要更严格的权限或环境隔离，还得单独配置后端与权限规则。

上下文变长后，Deep Agents 还会做摘要和结果卸载，避免所有历史消息与大段工具结果一直留在模型输入里。

任务规划也支持，但这里有个版本细节：从 v0.7 开始，Todo 规划是可选能力，需要时再加入 TodoListMiddleware，并不是默认强制每个任务都先列计划。

04

ARCHITECTURE

它和 LangGraph 是上下层关系

Deep Agents 是建立在 LangChain Agent 核心组件之上的独立库，底层使用 LangGraph runtime。

这三层各自管的事情不同：

■Deep Agents：提供开箱即用的 harness，把文件、上下文、子 Agent、记忆和权限等能力组织起来。

■LangChain：提供模型、工具、中间件和标准 Agent 框架。

■LangGraph：负责持久化执行、流式输出、人工介入和长任务恢复。

Deep Agents 没有替代 LangGraph。它把 LangGraph 的运行能力放在更高层的现成组合下面，遇到特殊流程时仍然可以继续往下定制。

05

DECISION

什么时候值得用

如果任务会产生大量中间材料，需要把子任务隔离开，或者希望 Agent 自带文件工作区、上下文压缩和子 Agent，Deep Agents 会比较省事。研究报告、代码迁移和多文档分析都属于这类场景。

能力打包也意味着更多工具、权限和存储后端需要管理。涉及执行代码或写文件时，沙箱和文件权限仍要认真配置，不能因为名字里有 Deep，就默认它会替你处理所有安全边界。

如果只是简单问答或少量工具调用，create_agent 更轻；如果业务有严格的固定节点、条件分支和循环，需要完全接管执行拓扑，直接写 LangGraph 更清楚。

面试时可以这样回答：

30 秒面试回答

“Deep Agents 不是一种新模型，而是构建在 LangChain Agent 组件之上的 opinionated agent harness。它把文件系统、上下文压缩、子 Agent、记忆和人工介入等长任务常用能力组合起来，并使用 LangGraph runtime 获得持久化、流式执行和恢复能力。简单 Agent 我会用 create_agent，自定义执行拓扑会直接用 LangGraph；需要一套开箱即用的长任务工作台时，我才会选择 Deep Agents。”

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书