企业官网建设流程全解析

下面提供3 个梯度的可运行代码示例，从最简入门 → 内置规划 / VFS → 子代理 + 人机介入，覆盖 Deep Agents 核心用法，同时结合你之前的Skill/Tool概念。

环境说明

• Python 3.9+
• 依赖安装

bash

运行

pip install langchain langchain-openai langchain-deepagents python-dotenv

根目录新建.env，填入模型密钥：

env

OPENAI_API_KEY=sk-xxx

一、示例 1：最简入门（基础调用）

演示：创建基础Deep Agent，执行普通文本任务，体会开箱即用特性。

python

运行

from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_deepagents import create_deep_agent load_dotenv() # 1. 初始化大模型 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 2. 创建 Deep Agent（默认内置规划、上下文管理、基础运行时） agent = create_deep_agent( llm=llm, system_prompt="你是专业文档助手，回答简洁、条理清晰。" ) # 3. 执行任务 if __name__ == "__main__": res = agent.run("总结 Deep Agents 的 3 个核心作用") print("===== 执行结果 =====") print(res)

要点说明

• 无需手动写 Agent 循环、记忆、Prompt 编排；
• 底层自动启用Planner 规划，复杂问题会自动拆解步骤；
• 基于 LangGraph 做状态管理。

二、示例 2：结合 VFS 虚拟文件系统 + 自定义 Tool

演示 Deep Agents标志性能力：VFS 虚拟文件，同时接入自定义外部 Tool，区分Skill和Tool。 场景：

1. 先用 Skill（模型原生能力）整理文本；
2. 写入 VFS 虚拟文件；
3. 用自定义 Tool 读取并二次加工。

python

运行

from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain.tools import tool from langchain_deepagents import create_deep_agent load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # ===================== 1. 定义 Skill（模型原生能力，纯推理） ===================== @tool def text_sort_skill(raw_text: str) -> str: """ Skill：文本要点梳理（大模型原生能力，无外部调用） Args: raw_text: 原始文本 """ prompt = f"将以下内容梳理为条理清晰的要点：\n{raw_text}" return llm.invoke(prompt).content # ===================== 2. 定义 Tool（外部操作能力） ===================== @tool def file_analysis_tool(file_content: str) -> str: """ Tool：文件内容分析（模拟外部工具） Args: file_content: 从VFS读取的文件内容 """ return f"【工具分析结果】内容总字数：{len(file_content)}，核心主题：智能体Harness架构" # ===================== 3. 创建 Deep Agent ===================== agent = create_deep_agent( llm=llm, system_prompt="你可以使用文本梳理技能和文件分析工具，优先把长内容存入虚拟文件。", tools=[text_sort_skill, file_analysis_tool] ) if __name__ == "__main__": task = """ Deep Agents 是 LangChain 官方生产级 Harness，内置任务规划、虚拟文件系统、子代理、安全沙箱。 它基于 LangGraph 作为运行时，解决普通智能体上下文超限、任务混乱、无法长期运行的问题。 广泛用于长文档处理、项目开发、复杂报告生成等场景。 """ res = agent.run(f"梳理下面内容，存入虚拟文件，并调用工具分析文件：\n{task}") print("===== 最终输出 =====") print(res)

核心看点

1. VFS 自动生效：长文本会被 Agent 主动写入内存虚拟文件，不占用对话上下文；
2. 严格区分：
   • text_sort_skill：模型内生能力 →Skill
   • file_analysis_tool：外部功能封装 →Tool
3. Deep Agents自动调度「规划 → Skill 处理 → VFS 存文件 → Tool 读取分析」全流程。

三、示例 3：子代理 (Subagent) + 人机介入 (HITL)

演示两大企业级核心能力：分层子代理、人工审批，模拟多角色协作。 角色分工：

• 主代理：总调度
• 调研子代理：收集、整理信息
• 写稿子代理：生成正式文案
• 关键步骤触发人工确认

python

运行

from dotenv import load_dotenv from langchain_openai import ChatOpenAI from langchain_deepagents import create_deep_agent load_dotenv() llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0) # 创建 Deep Agent，指定子代理角色 + 开启人机介入 agent = create_deep_agent( llm=llm, system_prompt="你是项目总负责人，协调调研代理和文案代理完成工作，重要内容必须等待人工确认。", # 内置子代理：分工协作，上下文互相隔离 subagents=["researcher", "writer"], # 开启人机在回路（关键步骤暂停，等待人工输入） human_in_the_loop=True ) if __name__ == "__main__": print("任务开始：制作一份 Deep Agents 技术简介文案") result = agent.run("先调研 Deep Agents 核心组件，再编写对外技术简介文案") print("\n===== 全部任务完成 =====") print(result)

运行交互说明

1. Agent 自动拆分任务：先派researcher子代理调研信息；
2. 调研完成后，切换到writer子代理撰写文案；
3. 到达输出最终文案节点时，程序暂停，控制台提示人工输入：

   plaintext

   [Human Input] 请审核内容，可修改/补充，输入完成后回车继续：

4. 人工确认 / 修改后，任务继续并收尾。

核心概念对应

• subagents：Deep Agents分层协作能力，各司其职、上下文隔离；
• human_in_the_loop=True：企业合规必备 HITL 人机介入；
• 整体运行在 LangGraph 之上，状态自动持久化。

四、补充：关键 API 与参数释义

1.create_deep_agent常用参数

表格

2. 内置默认工具（开箱即用）

Deep Agents 自带一组基础工具，无需手动定义：

• 文件类：read_file/write_file/ls（操作 VFS）
• 任务类：write_todo/update_todo（管理待办计划）
• 子代理：spawn_subagent（动态创建子代理）

五、架构链路总结（结合代码）

plaintext

用户任务 ↓ Deep Agents Harness ├─ Planner 规划器 → 拆解待办 ├─ 分发任务 │ ├─ 本地执行 → Skill（模型推理） │ ├─ 外部操作 → Tool + Sandbox │ └─ 专项任务 → Subagent 子代理（独立上下文） ├─ VFS 虚拟文件 → 存储大内容，减负上下文 ├─ HITL 人机介入 → 关键节点人工审核 └─ LangGraph Runtime → 状态持久、断点续跑

六、拓展落地建议

1. 私有化部署：VFS 可对接本地磁盘 / 对象存储，把虚拟文件落地持久化；
2. 对接 MCP：自定义 Tool 中封装 MCP 调用，实现Agent → MCP → 外部系统标准链路；
3. 结合 A2A：多个 Deep Agents 之间通过 A2A 协议互通，构建大规模多智能体集群；
4. 权限管控：在 Tool/Sandbox 中增加白名单、权限校验，适配企业安全规范。