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

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/deepagentsDeep 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( modelopenai:gpt-5.5, system_promptYou 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 CtrlC。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 SDKcreate_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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考