企业官网建设流程全解析

Deepagents 完整指南：从零跑通第一个 Deepagents 智能体

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

你有没有过这种时刻：手里有个会写代码的大模型，但它不会读文件、不会自己拆任务，干一半上下文就满了，想再加个"计划工具"又得从头造轮子。Deepagents 就是为这一刻准备的——它是一个开箱即用的 Deepagents 智能体工具包，装完 SDK 后调用create_deep_agent()，规划、文件系统、子代理、上下文管理全部就位，模型随便换。

能力拆解：Deepagents 智能体能替你扛哪些活

长任务，它先列计划再动手

如果你要 agent 一口气跑完"读一批文件 → 改代码 → 写文档"这种多步活，Deepagents 自带计划工具，开工前先把活儿拆成待办清单；文件系统后端（本地、沙箱、远端都支持）让中间结果落到磁盘，而不是堆在上下文里等着被挤掉。

任务太大，它拆给子代理

如果你担心主线程的上下文窗口不够用，Deepagents 会派子代理——子代理在独立上下文窗口里干活，只把结论汇报回来，主线程保持干净；长对话自动摘要、工具输出可以整体挪到磁盘上。

过程看得见，手也伸得进去

如果你要审计每一步决策，从计划、工具调用到 token 消耗都能在 LangSmith 里回放；human-in-the-loop 机制让危险操作先暂停，你批准、修改或拒绝之后它才继续。

上手体验：3 步跑通第一个 Deepagents 智能体

我拿到仓库后做了三件事：

第一步，clone 下来：

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

第二步，装依赖：uv add deepagents。第三步，新建一个脚本：

from deepagents import create_deep_agent agent = create_deep_agent(model="openai:gpt-5.5") agent.invoke({"messages": "帮我调研 LangGraph 并写摘要"})

跑起来的那一刻你会发现，规划、读写文件、子代理委派都在默认配置里，装完就能跑，不用写任何胶水代码。

架构速览：Deepagents 智能体 SDK 的三层分工

LangGraph 负责状态、检查点与流式执行；LangChain 的create_agent管模型、工具和循环；Deepagents SDK 只在最上层加默认中间件、后端与子代理配置，不另起运行时。

实战场景：把 Deepagents 智能体放进真实工作流

用自然语言查数据库

遇到什么问题：业务同学想看销售数据，但 SQL 得自己写。

项目怎么应对：仓库里的 text-to-sql 示例 agent 先用计划工具拆步骤，探查表结构，生成查询并执行校验，最后把结果整理成人话。

效果如何：一句"哪些销售员按国家创造了最多收入"，直接拿到带分析的报表；开了 tracing 后每一步都留痕，复盘时不用猜它干了什么。

让长任务自己转起来

遇到什么问题：上下文窗口有限，跑长任务聊着聊着就"失忆"。

项目怎么应对：Ralph 循环模式每轮迭代从全新上下文开始，工作区和 git 仓库充当记忆，同一句话反复喂给 agent，靠落盘的文件接续进度。

效果如何："生成一套完整 Python 课程"这种任务可以挂着跑，满意了 Ctrl+C 停手，不满意让它接着磨。

关键操作先过一道人工

遇到什么问题：agent 执行到一半开始跑偏，等发现时 token 已经烧掉一大截。

项目怎么应对：Deepagents 的 human-in-the-loop 在工具调用前暂停，你可以批准、编辑或拒绝。

效果如何：写文件、跑命令这类动作被人工卡住一道，走偏的调用当场拦下，不用等它干完再擦屁股。

进阶玩法：如何接入自定义工具

扩展点就是create_deep_agent的入参：tools可以传你自己的函数或 MCP server，模型和系统提示词也能换——create_deep_agent(model="openai:gpt-5.5", tools=[my_tool])一行到位。

生态与参与：怎么上手贡献、去哪求助

• examples/ 目录里十几个能直接跑的 agent——deep research、text-to-sql、Ralph 循环、异步子代理服务器，每个都带 README，照着改就行。
• monorepo 下每个包独立发版，工具链统一 uv + ruff + ty，包内make test/make lint各管一摊；贡献规范（分支命名、PR 标题格式、测试要求）都写在 AGENTS.md，按规矩来，review 会很顺。
• 卡住了去 LangChain 论坛的 Deepagents 版块提问；仓库里的 openwiki/ 是自动生成的文档索引，架构、中间件栈、安全边界都有专门页面，查起来比翻源码快。

避坑提醒：先读这三条再开工

• 注意：Deepagents 遵循"信任 LLM"模型，边界要在工具和沙箱层实施，别指望模型自觉——不在远端沙箱里跑不可信的代码。
• 提醒：别在不可信的目录里直接跑 dcode，不配沙箱后端就等于把执行权交给了那个目录。
• 提醒：文件系统后端默认本地执行，想跨机执行要显式配 Daytona、Modal 这类远端沙箱；另外 pytest 把未处理的 warning 当错误，新代码先把 warning 清零再提 PR。

回到那个场景

模型会说话，但它不会自己干活。装完 SDK、调一次create_deep_agent()，你就有了一个会规划、会写文件、会派子任务的 Deepagents 智能体。去仓库里挑一个 examples，跑起来试试，比读十篇教程都快。

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