拓冰网站定制 
Deep Agents 指南三步搭出一个会规划、会读文件的 AI 智能体【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是基于 LangChain 和 LangGraph 构建的开源 AI 智能体框架任务规划、文件读写、子代理、上下文管理都配好了装上就能跑一个能干活的 agent。 写长任务 AI 智能体时的头疼事它替你解决如果你只用过裸的 LangChain 搭 agent大概被三件事折磨过对话一长上下文窗口就爆前一步写的文件后一步忘了大任务拆小任务全靠模型自己悟。换个场景这些轮子又得重新造一遍。Deep Agents 的思路是把这些做成标配。你丢给它一句把这个仓库整理一份报告它会自己列计划、把中间结果写进文件、给专门的事派子代理聊得太长就自动总结压缩。上下文、记忆、拆解这三件事不用你再写代码处理。说白了LangGraph 是运行时LangChain 的create_agent是极简骨架Deep Agents 是在这骨架上预调好的一整套默认配置专门针对长时间、多步骤这类活儿。三步把它跑起来安装并运行最小智能体第一步安装。项目推荐用 uvpip 也行uv add deepagents第二步准备模型。任何支持工具调用的都行OpenAI、Anthropic 等前沿 API开源权重模型或者 Ollama 起的本地模型。第三步创建并调用from deepagents import create_deep_agent agent create_deep_agent(modelopenai:gpt-4o) result agent.invoke({messages: 整理这个仓库写一份总结})跑通之后这个 agent 已经带了计划清单、文件读写、shell、子代理这几样工具。仓库里还有一个预置的终端编码 agent见 libs/code 目录不想写代码的话可以直接用它。完整走一遍 text-to-SQL 例子从自然语言问题到 SQL 查询仓库里有个完整的例子examples/text-to-sql-agent。它接了一个音乐商店的 Chinook SQLite 数据库你可以直接用中文或英文问哪个员工创造了最多收入来自哪些国家agent 的干活过程很直白。先用write_todos把问题拆成步骤列出表、看表结构、规划 JOIN、执行查询、整理答案。接着按需加载两个技能——schema-exploration怎么摸清数据库结构和query-writing怎么写 SQL。技能是写成 SKILL.md 文件放在skills/目录下的agent 平时只看到一句描述判断需要时才把完整说明读进上下文。这个做法叫渐进式披露省的是上下文空间。再配上 LangSmith 追踪整个过程可以回放每一步计划、每次工具调用、生成的 SQL、token 消耗全在一条 trace 里。拆开看内部中间件栈如何让多步任务不跑偏create_deep_agent的入口在 graph.py思路是在 LangChain 的create_agent上叠一层中间件一个能力一个。打开 middleware 目录 能看到它们规划维护一份 todo 清单让模型先拆任务再动手文件系统读、写、编辑、搜索底层后端可换——本地磁盘、沙箱、远端存储实现见 backends 目录子代理派一个带独立上下文的 agent 去干专项活主 agent 只收结果摘要对话太长自动总结大段工具输出可卸载到磁盘记忆跨会话的长期记忆人在环关键工具调用先拦下来等你批准再执行其中子代理这条最值得一提主 agent 的上下文是主管的桌子子代理的上下文是干活的桌子后者忙完了只把成品端回来过程全丢掉。长任务不爆靠的就是这个隔离。任务还要更长仓库里有个 Ralph 循环的示范examples/ralph_mode同一个任务提示反复跑每轮都是全新上下文进度靠写进磁盘的文件和 git 历史来记。按你的方式改造它换模型、加工具、配子代理框架的立场很清楚任何一块都能换不用 fork。换模型、改提示词、加自己的工具、定义子代理全是参数agent create_deep_agent( modelanthropic:claude-sonnet-4-5, tools[search_docs], subagents[{name: reviewer, description: 审查讨论回复的质量, tools: [search_docs]}], )系统提示词同样通过system_prompt参数覆盖。外部服务可以走 MCP 协议接进来想让 agent 在隔离环境里跑libs/partners 目录 里有 Daytona、Modal、QuickJS、Runloop、Vercel 等现成的沙箱集成选一个装上即可。和团队一起用好它问题去哪问、贡献从哪进问问题的去处是官方论坛的 Deep Agents 版块和社区 Slack技术细节和踩坑经验基本都沉淀在那里遇到 bug 或想要功能直接提 Issue。想动手贡献入口是仓库根目录的 AGENTS.md开发流程、PR 格式、测试标准全写在那份文件里贡献前通读一遍能省很多来回。建议的阅读顺序是 开发指南 → 架构文档 → 挑一个感兴趣的小 issue 上手。examples 目录 里有一批成品例子——深度研究、内容写作、text-to-SQL卡住的时候翻翻它们怎么写的比看文档快。想在编辑器里用它的话看下 libs/acp 包通过 Agent Client ProtocolDeep Agents 可以作为一个可选的外部 agent 出现在支持 ACP 的编辑器里。几个容易踩的坑信任 LLM但别指望它自觉。项目的安全模型很直白agent 能做任何它的工具允许的事。所以边界要设在哪工具层和沙箱层。比如让它跑 shell 命令时用白名单只放行ls、cat、grep这类安全命令或者干脆丢进远程沙箱执行出问题不伤本机。模型选型决定体验下限。任何支持工具调用的模型都能跑但多步 harness 很吃模型稳定调工具的能力。前沿模型基本无脑跑本地或中小模型容易在规划步骤上反复横跳。任务跑歪时先看 trace 里第一步在哪走偏再怀疑框架。别把所有东西塞进提示词。长任务把上下文的事交给框架自动摘要、大输出卸载到磁盘、长文档拆成 skill 渐进披露。任务提示写要什么不写先做这步再做那步——怎么拆、怎么执行留给模型自己规划。最后一句话把 Deep Agents 当成一位招进来的老手默认配置已经调好丢任务就能开工等用顺手了再把它身上不合适的零件换成你自己的。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Deep Agents 指南：三步搭出一个会规划、会读文件的 AI 智能体
Deep Agents 指南三步搭出一个会规划、会读文件的 AI 智能体【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是基于 LangChain 和 LangGraph 构建的开源 AI 智能体框架任务规划、文件读写、子代理、上下文管理都配好了装上就能跑一个能干活的 agent。 写长任务 AI 智能体时的头疼事它替你解决如果你只用过裸的 LangChain 搭 agent大概被三件事折磨过对话一长上下文窗口就爆前一步写的文件后一步忘了大任务拆小任务全靠模型自己悟。换个场景这些轮子又得重新造一遍。Deep Agents 的思路是把这些做成标配。你丢给它一句把这个仓库整理一份报告它会自己列计划、把中间结果写进文件、给专门的事派子代理聊得太长就自动总结压缩。上下文、记忆、拆解这三件事不用你再写代码处理。说白了LangGraph 是运行时LangChain 的create_agent是极简骨架Deep Agents 是在这骨架上预调好的一整套默认配置专门针对长时间、多步骤这类活儿。三步把它跑起来安装并运行最小智能体第一步安装。项目推荐用 uvpip 也行uv add deepagents第二步准备模型。任何支持工具调用的都行OpenAI、Anthropic 等前沿 API开源权重模型或者 Ollama 起的本地模型。第三步创建并调用from deepagents import create_deep_agent agent create_deep_agent(modelopenai:gpt-4o) result agent.invoke({messages: 整理这个仓库写一份总结})跑通之后这个 agent 已经带了计划清单、文件读写、shell、子代理这几样工具。仓库里还有一个预置的终端编码 agent见 libs/code 目录不想写代码的话可以直接用它。完整走一遍 text-to-SQL 例子从自然语言问题到 SQL 查询仓库里有个完整的例子examples/text-to-sql-agent。它接了一个音乐商店的 Chinook SQLite 数据库你可以直接用中文或英文问哪个员工创造了最多收入来自哪些国家agent 的干活过程很直白。先用write_todos把问题拆成步骤列出表、看表结构、规划 JOIN、执行查询、整理答案。接着按需加载两个技能——schema-exploration怎么摸清数据库结构和query-writing怎么写 SQL。技能是写成 SKILL.md 文件放在skills/目录下的agent 平时只看到一句描述判断需要时才把完整说明读进上下文。这个做法叫渐进式披露省的是上下文空间。再配上 LangSmith 追踪整个过程可以回放每一步计划、每次工具调用、生成的 SQL、token 消耗全在一条 trace 里。拆开看内部中间件栈如何让多步任务不跑偏create_deep_agent的入口在 graph.py思路是在 LangChain 的create_agent上叠一层中间件一个能力一个。打开 middleware 目录 能看到它们规划维护一份 todo 清单让模型先拆任务再动手文件系统读、写、编辑、搜索底层后端可换——本地磁盘、沙箱、远端存储实现见 backends 目录子代理派一个带独立上下文的 agent 去干专项活主 agent 只收结果摘要对话太长自动总结大段工具输出可卸载到磁盘记忆跨会话的长期记忆人在环关键工具调用先拦下来等你批准再执行其中子代理这条最值得一提主 agent 的上下文是主管的桌子子代理的上下文是干活的桌子后者忙完了只把成品端回来过程全丢掉。长任务不爆靠的就是这个隔离。任务还要更长仓库里有个 Ralph 循环的示范examples/ralph_mode同一个任务提示反复跑每轮都是全新上下文进度靠写进磁盘的文件和 git 历史来记。按你的方式改造它换模型、加工具、配子代理框架的立场很清楚任何一块都能换不用 fork。换模型、改提示词、加自己的工具、定义子代理全是参数agent create_deep_agent( modelanthropic:claude-sonnet-4-5, tools[search_docs], subagents[{name: reviewer, description: 审查讨论回复的质量, tools: [search_docs]}], )系统提示词同样通过system_prompt参数覆盖。外部服务可以走 MCP 协议接进来想让 agent 在隔离环境里跑libs/partners 目录 里有 Daytona、Modal、QuickJS、Runloop、Vercel 等现成的沙箱集成选一个装上即可。和团队一起用好它问题去哪问、贡献从哪进问问题的去处是官方论坛的 Deep Agents 版块和社区 Slack技术细节和踩坑经验基本都沉淀在那里遇到 bug 或想要功能直接提 Issue。想动手贡献入口是仓库根目录的 AGENTS.md开发流程、PR 格式、测试标准全写在那份文件里贡献前通读一遍能省很多来回。建议的阅读顺序是 开发指南 → 架构文档 → 挑一个感兴趣的小 issue 上手。examples 目录 里有一批成品例子——深度研究、内容写作、text-to-SQL卡住的时候翻翻它们怎么写的比看文档快。想在编辑器里用它的话看下 libs/acp 包通过 Agent Client ProtocolDeep Agents 可以作为一个可选的外部 agent 出现在支持 ACP 的编辑器里。几个容易踩的坑信任 LLM但别指望它自觉。项目的安全模型很直白agent 能做任何它的工具允许的事。所以边界要设在哪工具层和沙箱层。比如让它跑 shell 命令时用白名单只放行ls、cat、grep这类安全命令或者干脆丢进远程沙箱执行出问题不伤本机。模型选型决定体验下限。任何支持工具调用的模型都能跑但多步 harness 很吃模型稳定调工具的能力。前沿模型基本无脑跑本地或中小模型容易在规划步骤上反复横跳。任务跑歪时先看 trace 里第一步在哪走偏再怀疑框架。别把所有东西塞进提示词。长任务把上下文的事交给框架自动摘要、大输出卸载到磁盘、长文档拆成 skill 渐进披露。任务提示写要什么不写先做这步再做那步——怎么拆、怎么执行留给模型自己规划。最后一句话把 Deep Agents 当成一位招进来的老手默认配置已经调好丢任务就能开工等用顺手了再把它身上不合适的零件换成你自己的。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考