企业官网建设流程全解析

Deep Agents 部署指南：10 分钟跑通最小版本，单服务器上线 Deep Research

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

Deep Agents 是基于 LangChain / LangGraph 的智能体框架，内置规划、文件系统、子代理委派与上下文管理。本文按部署路径分轨：本地 10 分钟跑通终端最小版，单服务器部署完整的 Deep Research 示例，生产侧覆盖依赖锁定、开机自启、追踪与调优四个检查点。

三条部署路径怎么选

做完这节，你会得到对号入座的结论：只读下文对应小节，其余跳过。

⚠️ 三条路径共同前置：Python ≥ 3.11（各包requires-python声明为>=3.11），以及至少一个支持工具调用的模型 API 密钥。

10 分钟跑通终端最小版

做完这节，你会得到一个能直接对话的终端智能体 dcode，并用一条非交互命令验证它可用。

先确认 Python 版本：

python3 -V

安装 dcode（Deep Agents Code，预构建的终端编码智能体）：

curl -LsSf https://langch.in/dcode | bash

该脚本默认带上 OpenAI、Anthropic、Gemini 三家模型客户端，按你使用的模型商设置对应密钥，例如：

export ANTHROPIC_API_KEY=你的密钥

启动交互式 TUI，输入任务（如 "Summarize the README in this repo"），看流式输出，Ctrl+C中断：

dcode

非交互验证（脚本与 CI 场景）：

dcode -p "Say OK if the harness works."

期望返回模型文本输出且进程正常退出。dcode 还支持--headless等参数用于脚本化，deepagents --version类自检可用dcode --help查看完整参数。若只打算以编程方式搭自己的 agent，可跳过 dcode，直接uv add deepagents并调用create_deep_agent(...)，见 libs/deepagents/ 包源码。

本节约：10 分钟，一条安装命令加一个密钥。

单服务器落地：部署 Deep Research 示例

做完这节，你会得到一台能常驻运行的深度研究服务：提交问题 → 规划 → 委派子代理搜索 → 合成报告，全程在浏览器可见。

安装 uv 并克隆仓库：

curl -LsSf https://astral.sh/uv/install.sh | sh git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents/examples/deep_research

安装示例依赖：

uv sync

uv sync会在该目录生成.venv，并严格按 pyproject.toml 声明安装 deepagents、langgraph-cli、tavily 等依赖。创建.env（langgraph.json已声明"env": ".env"）：

# .env ANTHROPIC_API_KEY=你的密钥 TAVILY_API_KEY=你的密钥 LANGSMITH_API_KEY=你的密钥 LANGSMITH_TRACING=true

密钥用途：ANTHROPIC 驱动默认模型 Claude Sonnet 4.5，TAVILY 驱动网页搜索，LANGSMITH 用于追踪（可选，生产建议保留）。启动服务器：

uv run langgraph dev

langgraph dev读取 langgraph.json 中的图入口./agent.py:agent，默认监听 2024 端口并自动打开 Studio 网页；换端口加--port 2025。提交一个研究问题，观察 agent 规划任务、派发 research-agent 子代理、调用tavily_search并输出最终报告。

本节约：3 个密钥，一条uv sync，浏览器里可交互的研究服务。

生产加固：锁定依赖、常驻服务与可观测

做完这节，你会得到四个可验收项：依赖版本锁死、服务重启后自动拉起、每次运行有追踪记录、并发参数受控。

依赖锁定。示例目录执行uv lock生成uv.lock并提交版本库；部署机上用uv sync按锁文件安装，保证构建可复现。pyproject.toml里已有override-dependencies处理已知 CVE，升级依赖时先跑uv sync验证。

密钥管理。.env建议chmod 600，密钥只在这一个文件里维护，服务单元通过EnvironmentFile引用。

systemd 服务化。创建/etc/systemd/system/deep-research.service：

[Unit] Description=Deep Research LangGraph Server After=network.target [Service] User=deepagent WorkingDirectory=/opt/deepagents/examples/deep_research EnvironmentFile=/opt/deepagents/examples/deep_research/.env ExecStart=/opt/deepagents/examples/deep_research/.venv/bin/uv run langgraph dev Restart=on-failure RestartSec=5 [Install] WantedBy=multi-user.target

Restart=on-failure负责开机后崩溃自愈，配合下面两条命令启用开机自启：

systemctl daemon-reload systemctl enable --now deep-research

日志与追踪。journalctl -u deep-research -f看进程日志；.env中LANGSMITH_TRACING=true让每次运行生成 trace，用于定位慢请求和工具调用失败。

调优。examples/deep_research/agent.py 顶部两个常量控制成本：

模型温度示例中已固定为 0，保持即可；限流场景再把并发降到 1。

本节约：uv.lock+ systemd 单元 + trace + 两个并发参数。

选读：切换模型与注册自定义工具

做完这节，你会得到把默认 Claude 换成 Gemini、并给自己的 agent 加工具的改法。

切换模型：模型参数接受任意 LangChain chat model 对象，示例中 Claude 与 Gemini 的切换写法在 examples/deep_research/agent.py 第 48~51 行：

from langchain_google_genai import ChatGoogleGenerativeAI from deepagents import create_deep_agent agent = create_deep_agent( model=ChatGoogleGenerativeAI(model="gemini-3-pro-preview", temperature=0.0), )

注册自定义工具：参考 examples/deep_research/research_agent/tools.py 中tavily_search的写法，用 LangChain 工具装饰器定义函数后，同时加入主 agent 与子代理的tools列表：

from langchain.tools import tool @tool def lookup_price(symbol: str) -> str: """查询股票报价。""" ... agent = create_deep_agent( model=model, tools=[lookup_price], subagents=[{"name": "researcher", "tools": [lookup_price], ...}], )

子代理定义见 agent.py 中的research_sub_agent字典，结构即name/description/system_prompt/tools四键。

本节约：模型与工具都是构造参数，改参数不改框架。

排错速查

本节约：按症状对表，先定边界再动手。

收尾

一条uv sync、一个.env、一个 systemd 单元，Deep Agents 就能从本机 demo 走到常驻服务；先锁依赖，再谈扩展。

• 框架入口与导出清单：libs/deepagents/deepagents/init.py
• 生产参考实现：examples/deep_research/agent.py
• 示例总目录：examples/

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