DeepAgents In Action学习（Second）

风之殇2016

216人浏览 · 2026-08-19 21:10:32

风之殇2016 · 2026-08-19 21:10:32 发布

Agent 开发的三个层次

在 LangChain 的技术栈中，Agent 开发被划分为三个层次

底层：Agent Runtime（运行时层）— LangGraph
中间层：Agent Framework（框架层）— LangChain
上层：Agent Harness（工具层）— Deep Agents

Agent 开发三层架构：底层 LangGraph (Runtime)、中间层 LangChain (Framework)、上层 Deep Agents (Harness)，侧边 LangSmith 贯穿提供可观测性

Harness的作用

看看市面上那些真正能完成复杂任务的 Agent 产品——Claude Code、Manus、Cursor——它们虽然各有特色，但核心能力惊人地相似：

都有文件系统操作能力：能读写、搜索、编辑文件
都有任务规划能力：能把大任务拆成小步骤
都有子任务委派能力：能把部分工作交给子 Agent
都有上下文管理策略：防止对话过长导致 LLM “失忆”

这些共性不是巧合。当 Agent 面对的任务足够复杂时，这些能力就是必需的。而 Agent Harness 的价值就在于：把这些被验证过的模式固化下来，让你不需要每次都从头实现。

Deep Agents 的核心设计理念：Context Engineering

Deep Agents 的解决方案是引入一个虚拟文件系统，让 Agent 像人类一样工作：

需要读文件时，调用 read_file 按需读取
需要记录中间结果时，调用 write_file 写到文件里
需要搜索时，调用 grep 或 glob 查找
大文件只读取需要的部分（offset / limit 参数）

这样，Agent 的上下文里只保留当前步骤真正需要的信息，其余的都存在文件系统中，需要时再取。

更巧妙的是，这个”文件系统”是虚拟的、可插拔的：

可以是内存中的临时存储（开发调试用）
可以是本地磁盘（处理真实文件）
可以是持久化数据库（跨会话保持记忆）
可以是远程沙箱（安全执行代码）
甚至可以混合使用（不同路径路由到不同后端）

这就是 Context Engineering——不是把所有信息都喂给 LLM，而是为 LLM 构建一个高效获取和管理信息的基础设施。

Context Engineering 对比：左侧传统 Prompt Stuffing 导致上下文溢出、注意力稀释、不可扩展；右侧 Deep Agents 通过虚拟文件系统按需读取，实现结构化存储和无限扩展

Deep Agents、Claude Agent SDK、Codex SDK

三大 Agent Harness 对比：Deep Agents（模型无关、虚拟文件系统、长期记忆）、Claude Agent SDK（Claude 深度集成、Hooks 系统）、Codex SDK（OS 级沙箱、MCP Server 模式），共同能力包括文件读写、Shell 执行、规划、子 Agent 等

真正的差异在架构层面：

Deep Agents 的独有优势：

模型灵活性：随时切换模型提供商，不锁定任何厂商。这对企业级应用至关重要
长期记忆（Long-term Memory）：通过 Memory Store 实现跨会话、跨线程的持久化记忆。Claude Agent SDK 和 Codex SDK 都不支持这一特性
虚拟文件系统 + 可插拔后端：将文件操作抽象为统一接口，后端可以是内存、磁盘、数据库或沙箱
Sandbox-as-Tool 模式：Agent 在本地运行，但可以把特定操作（如代码执行）发送到远程沙箱中执行。这是 Deep Agents 独有的设计
生产部署：通过 LangGraph Platform 部署，配合 LangSmith 实现完整的可观测性

Claude Agent SDK 的独有优势：

与 Claude 模型的深度集成
Hooks 系统，便于拦截和控制 Agent 行为
支持自定义 HTTP/WebSocket 层和容器化部署

Codex SDK 的独有优势：

OS 级别的沙箱模式（read-only、workspace-write、danger-full-access）
内置 MCP Server 模式
云端执行环境

实战中如何抉择？

如果你需要模型灵活性和跨会话记忆 → Deep Agents
如果你的团队全面使用 Claude → Claude Agent SDK
如果你的团队全面使用 OpenAI → Codex SDK
如果你需要完整的生产部署和可观测性方案 → Deep Agents + LangSmith

Deep Agents 在整个 LangChain 生态中的地位

Deep Agents 技术全景图：顶层 Deep Agents (Harness) 包含文件系统工具、任务规划、子 Agent、可插拔存储后端、长期记忆五大模块；中间层 LangChain (Framework) 和 LangGraph (Runtime)；底层 LangSmith 提供可观测性

创建项目

# 示例
cd D:\Develop\projects\python
# 创建项目名称文件夹
mkdir deepagents-demo
# 进入目录
cd deepagents-demo
# 初始化项目
uv init .
# 添加依赖项
uv add deepagents langchain-openai dotenv tavily-python
# 创建环境变量文件
New-item -type file .env
# 使用文本编辑器编辑.env
API_KEY=sk-sdsaf324erfasdas
MODEL_NAME=zai-org/GLM-5.2
BASE_URL=https://api.siliconflow.cn/v1
TARVILY_API_KEY=lsv2_pt_55ae7b961f3f423e9b366a9s54886489c_c3f874548f4b

代码实战

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from deepagents import create_deep_agent
from typing import Literal
from tavily import TavilyClient

# 加载.env环境变量信息
load_dotenv()

# 接入模型
model = ChatOpenAI(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    temperature=0,
)

# 获取天气工具
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"


common_agent = create_deep_agent(
    model=model,
    tools=[get_weather],
    system_prompt="You are a helpful assistant.",
)

common_result = common_agent.invoke(
    {"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]}
)

print(common_result["messages"][-1].content)

# 计算器    
def calculate(expression: str) -> float:
    """Evaluate a math expression and return the result.

    Args:
        expression: A math expression, e.g. "1 + 2 * 3".
    """
    return eval(expression)

# 
def convert_currency(amount: float, from_currency: str, to_currency: str) -> dict:
    """Convert an amount from one currency to another.

    Args:
        amount: The amount to convert.
        from_currency: The source currency code, e.g. "USD".
        to_currency: The target currency code, defaults to "CNY".
    """
    # 这里用固定汇率做演示；真实场景可接入汇率 API
    rates = {"USD": 7.2, "CNY": 1.0, "EUR": 7.8}
    cny = amount * rates[from_currency]
    return {"amount": round(cny / rates[to_currency], 2), "currency": to_currency}

calculate_agent = create_deep_agent(
    model=model,
    tools=[calculate, convert_currency],
    system_prompt="你是一个计算助手，能帮用户做数学运算和货币换算。",
)

calculate_result = calculate_agent.invoke(
    {"messages": [{"role": "user", "content": "帮我把 100 美元换算成人民币，再用它乘以 1.08 的通胀系数。"}]}
)
print(calculate_result["messages"][-1].content)

# 网络搜索工具
def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
) -> dict:
    """Perform an internet search for a given query."""
    tavily_client = TavilyClient(api_key=os.getenv("TAVILY_API_KEY"))
    return tavily_client.search(
        query=query,
        max_results=max_results,
        topic=topic,
        include_raw_content=include_raw_content,
    )
    
research_instructions = """你是一位专业的研究员。
你的工作是进行深入研究，然后撰写一份完整的研究报告。

你可以使用 internet_search 工具搜索互联网获取信息。
"""
search_agent = create_deep_agent(
    model=model,
    tools=[internet_search],
    system_prompt=research_instructions,
)

search_result = search_agent.invoke(
    {"messages": [{"role": "user", "content": "什么是 LangGraph？"}]}
)

print(search_result["messages"][-1].content)