企业官网建设流程全解析

如何用 Deep Agents 跑通长程任务：面向初学者的 5 分钟上手指南

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents

Deep Agents 是一个基于 LangChain 和 LangGraph 构建的 AI 代理框架，官方定位是"自带全部配件的 agent harness（代理外壳）"：调用一次create_deep_agent()，就自动获得规划工具、文件读写、子代理分工和上下文管理，不用再自己拼装这些组件。它适配任何支持工具调用的模型，包括云端 API、开源模型和本地模型。本文按"场景 → 上手 → 内置能力 → 现成示例 → 仓库导航"的顺序，带你快速建立使用它的路径。

先想清楚：哪类任务需要"深度代理"

普通的"聊天 + 工具调用"适合一两步就结束的任务。但下面这类任务，裸调用很容易翻车：

• 步骤多、周期长：写一份研究报告、从零搭一门课程，中间要几十轮工具调用；
• 上下文会爆：对话越长，模型可见窗口越紧张，早期关键信息被挤掉；
• 需要分工：调研、写作、审核由同一个上下文硬扛，容易互相干扰。

Deep Agents 针对这三点给出三件武器：用子代理把子任务隔离到独立上下文里执行；用文件系统把中间产物落盘，充当跨轮次记忆；用上下文管理自动摘要长对话、把超大的工具输出卸载到磁盘。它的设计默认就是面向这种多步骤、长周期的工作。

5 分钟安装与启动：跑通你的第一个代理

第一步：安装 SDK。项目使用uv管理依赖：

uv add deepagents

第二步：三行代码创建代理。核心入口是create_deep_agent，参数就是模型、工具、系统提示词：

from deepagents import create_deep_agent agent = create_deep_agent( model="openai:gpt-5.5", system_prompt="You are a research assistant.", ) result = agent.invoke({"messages": "Research LangGraph and write a summary"})

创建出来的代理自带规划、文件读写和上下文管理能力，不需要你逐条配置中间件。想加自己的工具就传tools，想换模型就改model，两者都不冲突。

第三步（可选）：克隆仓库看更多入口。如果你打算长期玩这个项目：

git clone https://gitcode.com/GitHub_Trending/de/deepagents

仓库里的 examples/ 目录是现成示例的集合，每个子目录都有独立 README 和依赖锁文件，克隆后可直接按说明运行。

内置能力逐个看：子代理、文件系统、技能与人工审批

每个能力都回答三件事：做什么、解决什么问题、怎么用。

子代理（Sub-agents）：任务分工与上下文隔离

主代理可以把"调研这部分""撰写那部分"委托给子代理，子代理在独立的上下文窗口里工作，只把结论汇报回来。这样主上下文保持精简，复杂任务可以并行推进。在create_deep_agent中通过子代理配置传入即可，深度研究示例 里就是一个主代理并行调度多个研究子代理的完整写法。

文件系统后端：中间结果的"外置硬盘"

代理内置ls、read_file、write_file、edit_file等文件工具，可以把计划、草稿、检索结果写进文件，后续步骤再读回来。后端是可插拔的：本地目录、沙箱、远程环境都能接。仓库在 libs/partners/ 下提供 Daytona、Modal、Runloop、Vercel、QuickJS 等沙箱实现，让代理在隔离环境里执行代码更安心。

上下文管理：长对话不丢线索

框架会自动摘要过长的对话线程，并把体积过大的工具输出卸载到磁盘。你不需要手写"压缩历史"逻辑，长任务跑几十轮后模型依然能看到关键结论。

技能（Skills）：按需加载的可复用行为

把一个操作流程写成SKILL.md放进skills/目录，代理平时只看到技能描述，判断需要时才加载完整指令。文本转 SQL 示例 用这种方式组织了query-writing和schema-exploration两个技能，既省上下文又保证操作规范。

人工介入（Human-in-the-loop）：关键操作先过一道人

对敏感的工具调用，框架支持在执行前暂停，等人类批准、修改或拒绝。配合工具层的权限检查，可以把"代理能做什么"的边界控制在工具与沙箱层面，而不是指望模型自觉遵守。

两个值得直接运行的示例

文本转 SQL：自然语言查数据库

examples/text-to-sql-agent/ 演示了完整的"规划 → 探索表结构 → 生成 SQL → 执行 → 汇总"链路。代理接到问题后先用write_todos列出计划，再逐步查表结构、写查询、跑验证。命令行运行方式很直接：

python agent.py "Which employee generated the most revenue by country?"

它还演示了AGENTS.md（常驻指令）+skills/（按需技能）的组合写法，是学习"给代理写说明书"的好样板。

Ralph 模式：让代理自己循环迭代

examples/ralph_mode/ 实现了一种流行的自治循环模式：每一轮用全新上下文启动代理，靠文件系统和 git 保存进度。任务描述只说"要什么"不说"怎么做"，代理一轮轮推进、一轮轮改进，直到你按下 Ctrl+C。适合"建一门课程""搭一个项目骨架"这类可长期迭代的任务，也支持--sandbox modal之类的参数把执行放到远程沙箱。

仓库结构导航：从新手到进阶的路径

这个仓库是一个多包 monorepo，按你的角色选择入口：

• 想写自己的代理→ libs/deepagents/，核心 SDK 源码，create_deep_agent、中间件、后端都在这里；
• 想要现成的终端编码代理→ libs/code/，即dcode，开箱即用的 TUI 终端代理，支持会话恢复、人工审批、MCP 和沙箱：

• 想把代理接进编辑器→ libs/acp/，Agent Client Protocol 适配层；
• 想评估代理效果→ libs/evals/，端到端评测与基准测试工具；
• 想跑真实案例→ examples/，含内容创作、深度研究、NVIDIA GPU 加速分析等十余个可运行示例；
• 想系统读文档→ openwiki/，仓库内置的架构与概念指南，openwiki/architecture/overview.md讲清楚了 Deep Agents、LangChain、LangGraph 三层的分工。

小结

Deep Agents 的价值在于把"长程任务代理"最头疼的几件事——上下文、分工、持久化、审批——做成了默认配置。入门路径可以总结为三步：uv add deepagents装 SDK，create_deep_agent()起代理，再挑一个 examples/ 里的案例改造成自己的业务场景。遇到具体问题，优先查 openwiki/ 里对应的概念页，比从零读源码效率高得多。

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents