这是我的第467篇原创文章。

一、引言

Deep Agent 是什么？

Deep Agent 是 LangChain 团队推出的一个高级智能体运行框架，主要用来解决老式 Agent 在面对长时间、复杂任务时容易出错或者卡住的问题，它具备自动规划、本地存取中间数据、调用子智能体以及通过中间件扩展功能等核心能力。

SKILL 是什么？

SKILL 是一种轻量级的功能扩展方式，想法来自 Anthropic 的工具设计理念，每个 SKILL 通常由两部分组成：一个是叫 SKILL.md 的描述文件，用 YAML 格式写清楚这个技能叫什么、能干啥、需要什么输入、返回什么结果；另一个是具体的执行脚本（比如 arxiv_search.py），里面是一个真正的 Python 函数，负责完成实际工作。Agent 会通过 SkillsMiddleware 自动扫描指定目录，发现这些技能并加载它们，在需要时直接调用，完全不用在代码里硬编码工具列表。

deepagents.create_deep_agent

create_deep_agent(
    model: str | BaseChatModel | None = None,
    tools: Sequence[BaseTool | Callable | dict[str, Any]] | None = None,
    system_prompt: str | SystemMessage | None = None,
    middleware: Sequence[AgentMiddleware] = (),
    subagents: Sequence[SubAgent | CompiledSubAgent | AsyncSubAgent] | None = None,
    skills: list[str] | None = None,
    memory: list[str] | None = None,
    permissions: list[FilesystemPermission] | None = None,
    backend: BackendProtocol | BackendFactory | None = None,
    interrupt_on: dict[str, bool | InterruptOnConfig] | None = None,
    response_format: ResponseFormat[ResponseT] | type[ResponseT] | dict[str, Any] | None = None,
    context_schema: type[ContextT] | None = None,
    checkpointer: Checkpointer | None = None,
    store: BaseStore | None = None,
    debug: bool = False,
    name: str | None = None,
    cache: BaseCache | None = None,
) -> CompiledGraph

二、实现过程

2.1 第一步：安装依赖

先在命令行运行下面这行命令，把需要的包都装好：

pip install langchain-core langchain langchain-community deepagents

2.2 第二步：写一个 SKILL

我们拿“在 ArXiv 上搜索学术论文”当例子，在项目根目录下新建一个文件夹 skills/arxiv-search/，然后在里面放两个文件：

首先是 SKILL.md，注意这里必须用 YAML frontmatter 格式，不能写成表格：

---
name: arxiv_search
description: 用关键词在 ArXiv 上找最新的学术论文
parameters:
  - name: query
    type: string
    description: 搜索用的关键词
output: 返回包含标题、摘要和链接的论文列表
---

然后是 arxiv_search.py，这是真正干活的代码：

from arxiv import Search

def arxiv_search(query: str):
    search = Search(query=query, max_results=3, sort_by="relevance")
    results = []
    for r in search.results():
        results.append({
            "title": r.title,
            "summary": r.summary,
            "url": r.entry_id
        })
    return results

2.3 第三步：创建 Deep Agent 并加载 SKILL

接下来写主程序，先初始化大模型（比如用通义千问的 Qwen），再创建 Agent 并告诉它去哪找技能：

from deepagents import create_deep_agent
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

model = ChatOpenAI(
    model="deepseek-chat",
    api_key="sk-xxxxxxxxxxxxxxxx",
    base_url="https://api.deepseek.com/v1",
)
agent = create_deep_agent(
    model=model,
    skills=["./skills"],  # 指向刚才建的技能文件夹
    system_prompt="你是一个科研助理，能帮用户找最新的学术论文。"
)

⚠️ 注意：如果不同路径下有名字一样的 SKILL，后面加载的那个会把前面的盖掉。

2.4 第四步：运行 Agent

最后调用它试试看：

response = agent.invoke({"messages": [HumanMessage(content="帮我找三篇关于 LangChain Deep Agents 的最新论文")]})
print(response["messages"][-1].content)

这时候 Agent 会先理解你的请求，然后从 ./skills 目录里找到 arxiv_search 这个技能，自动调用对应的函数去 ArXiv 搜论文，再把结果整理成一段人话返回给你。

问题一：技能没被加载

最常见的原因是 SKILL.md 文件格式不对，比如用了 Markdown 表格而不是 YAML。解决办法很简单：确保文件开头和结尾都是三个短横线 ---，中间内容是合法的 YAML。

问题二：调用技能时报错

这通常是因为函数的参数名字或类型跟 SKILL.md 里写的不一致，或者缺少必要的第三方库。建议你先把脚本单独跑一遍，确认没问题再集成进 Agent。

解决方案：

可以把不同用途的 SKILL 分门别类放在不同子文件夹里，比如 web-tools/ 放网络相关功能，email-utils/ 放发邮件的工具；同时配合 LangSmith 查看每一步的执行记录，方便排查问题；如果任务特别复杂，可以让主 Agent 调度多个 SKILL 和子 Agent 一起协作完成。

三、小结

LangChain 的 Deep Agent 配合 SKILL 机制，提供了一种简单、灵活又容易复用的智能体开发方式，只要你把具体功能打包成标准技能，就能让 Agent 自动学会新本事，不仅提升了解决问题的能力，也让团队合作变得更顺畅。

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。​​​​​​​