随着 Manus、Claude Code 以及 Deep Research 等应用的爆火，其背后的核心技术——深层代理（Deep Agents） 正在成为 AI 领域的新焦点。
LangChain 官方推出的 DeepAgents 框架，为开发者复现 Deep Research 类体验提供了标准化基础设施，可用于构建复杂、长时程任务的智能体。
同时 LangChain 官方博客也发布了题为《Doubling down on deepagents》的重磅文章
本文深度拆解 DeepAgents 架构，并基于 DeepSeek-v3.2 + LangChain DeepAgents，实战打造具备自主规划、文件管理与联网搜索能力的“数字员工”。
一、DeepAgents 是什么？核心架构解析
DeepAgents 的核心定位是：用于构建能够处理复杂、多步骤任务的智能体框架。
它不仅仅是一个对话机器人，而是一个能够操作物理世界数据、具有持久化生命周期的“数字员工”。其核心架构基于 LangGraph 构建，集成了以下四大关键机制：
- 规划工具（Todo 清单）：红色部分。引导代理在行动前生成任务清单，帮助代理拆解大型任务，防止遗忘步骤。
- 文件系统集成：绿色部分。内置虚拟文件系统（支持映射到本地磁盘），代理可以使用 ls, read_file, write_file 等工具管理“工作记忆”，实现跨步骤的持久化。
- 子代理（Sub-Agents）：橙色部分。支持将特定任务（如深度搜索、数据分析）委派给隔离上下文的子代理，实现职责分离与并行处理。
- 详细系统提示词：蓝色部分。内置借鉴 Claude Code 的长提示模板，包含详细的工具使用说明和思维链引导。
DeepAgents vs LangChain vs LangGraph
三者的关系如下表所示：
| 平台组件 | 角色定位 | 侧重场景与特点 |
| LangGraph | 智能体运行时 | 提供底层执行框架，将逻辑表示为有状态图，适合编排复杂工作流。 |
| LangChain | 智能体开发框架 | 提供核心循环机制和工具接口，适合自定义提示词和工具的灵活开发。 |
| DeepAgents | 智能体工具套件 | 预设了规划、文件系统等高级能力的骨架，适合快速构建更自主的深度代理。 |
二、环境准备与 DeepSeek-v3.2 接入
在构建 Deep Agent 之前，我们需要先配置好环境并接入 DeepSeek-v3.2 模型。
- 安装 DeepAgents 及依赖
# 安装核心库pip install -U deepagents openai python-dotenv langchain-community langchain-experimental langchain-tavily pandas rich- 获取 API Key
前往 DeepSeek 开放平台：https://platform.deepseek.com/api_keys 申请 API Key。DeepSeek 的 API 完全兼容 OpenAI 格式，支持 Function Calling 和 JSON Output。
前往 tavily官网：https://www.tavily.com/注册并获得API-KEY（每月有免费额度）。用于联网搜索。
- 配置环境变量
在项目根目录创建 .env 文件：
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxDEEPSEEK_BASE_URL=https://api.deepseek.comTAVILY_API_KEY=tvly-xxxxxxxxxxxxxxxxxxxxxxxxxxxx- LangChain 接入模型
我们使用 LangChain 的 init_chat_model 统一接口来初始化 DeepSeek 模型。
import osfrom dotenv import load_dotenvfrom langchain.chat_models import init_chat_model# 加载环境变量load_dotenv(override=True)deepseek_api_key = os.environ.get("DEEPSEEK_API_KEY")deepseek_base_url = os.environ.get("DEEPSEEK_BASE_URL")# 初始化 DeepSeek 模型model = init_chat_model( api_key=deepseek_api_key, base_url=deepseek_base_url, model_provider="deepseek", model="deepseek-chat")# 测试模型调用print("测试 DeepSeek 模型连接...")result = model.invoke("你好，请用一句话介绍DeepSeek-v3.2。")print(f"DeepSeek 回复: {result.content}")三、构建实战：打造实时联网深度研究 Agent
接下来，我们将结合 DeepAgents 框架、DeepSeek-v3.2 模型以及 Tavily 搜索工具，构建一个能够自主进行互联网信息收集并撰写报告的智能体。
- 接入 Tavily 联网搜索工具
Tavily 是专为 AI Agent 设计的搜索引擎，支持返回结构化的搜索结果。
from tavily import TavilyClientfrom typing import Literal# 初始化 Tavily 客户端tavily_key = os.environ.get("TAVILY_API_KEY")tavily_client = TavilyClient(api_key=tavily_key)def internet_search( query: str, max_results: int = 5, topic: Literal["general", "news", "finance"] = "general", include_raw_content: bool = False,): """ 运行网络搜索 这是一个用于网络搜索的工具函数，封装了 Tavily 的搜索功能。 参数说明： - query: 搜索查询字符串 - max_results: 最大返回结果数量，默认为 5 - topic: 搜索主题类型 - include_raw_content: 是否包含原始网页内容 """ try: result = tavily_client.search( query, max_results=max_results, include_raw_content=include_raw_content, topic=topic, ) return result except Exception as e: return {"error": f"搜索失败: {str(e)}"}# 测试搜索工具print("搜索工具测试中...")test_res = internet_search("DeepSeek-v3.2 特性", max_results=1)print(f"搜索结果示例: {test_res['results'][0]['title']}")- 定义 System Prompt（数字员工手册）
我们需要为 Agent 定义一套行为准则，类似于员工入职手册。
# 系统提示词：指导智能体成为专家研究员research_instructions = """您是一位资深的研究人员。您的工作是进行深入的研究，然后撰写一份精美的报告。您可以通过互联网搜索引擎作为主要的信息收集工具。## `互联网搜索`使用此功能针对给定的查询进行互联网搜索。您可以指定要返回的最大结果数量、主题以及是否包含原始内容。在进行研究时：1. 首先将研究任务分解为清晰的步骤（使用 write_todos 工具）2. 使用互联网搜索来收集全面的信息3. 如果内容太大，将重要发现保存到文件中（使用 write_file 工具）4. 将信息整合成一份结构清晰的报告5. 务必引用你的资料来源"""- 使用 create_deep_agent 构建智能体
这是最关键的一步。create_deep_agent 会自动装配规划器、文件系统中间件和我们传入的工具。
from deepagents import create_deep_agent# 创建 Deep Agentagent = create_deep_agent( model=model, # 使用 DeepSeek 模型 tools=[internet_search], # 传入我们定义的搜索工具 system_prompt=research_instructions # 传入系统提示词)print("Deep Agent 创建成功！开始执行任务...")- 运行智能体
现在，我们可以给它下达一个复杂的任务，观察它如何自动规划、搜索并生成结果。
query = "请帮我介绍一下DeepSeek-v3.2 最新模型的特性，并对比它与 DeepSeek-V2 的区别。注意：请用中文回答！"# 执行 Agent# 注意：DeepAgents 基于 LangGraph，因此 invoke 的输入是 messages 列表result = agent.invoke({ "messages": [ {"role": "user", "content": query} ]})# 打印最后的消息内容print("\n=== 最终回答 ===\n")print(result["messages"][-1].content)四、DeepAgents 可视化与调试
在前面的实战中，我们只能看到 Agent 的最终输出。在实际开发中，我们需要观察 Agent 的“思考过程”和执行流。本节将介绍三种可视化与调试方法。
- 使用 LangGraph Studio 进行可视化
DeepAgents 底层基于 LangGraph，因此可以使用 LangGraph Studio 进行可视化调试。
环境配置步骤：
- 安装 LangGraph CLI：
pip install -U "langgraph-cli[inmem]"- 创建 langgraph.json 配置文件：在项目根目录下创建 langgraph.json：
{ "dependencies": ["./"], "graphs": { "agent": "./agent.py:agent" }, "env": ".env"}- 创建 agent.py：将之前的 Agent 构建代码保存为 agent.py，并确保暴露出 agent 变量。
- 启动服务：
langgraph dev启动后，打开浏览器访问显示的 Studio UI 地址，即可看到 Agent 的状态图和执行轨迹。
Deep Agents UI：专为深度代理设计的界面
LangChain 官方提供了专门的 Deep Agents UI，支持文件系统可视化。
安装与启动：
# 克隆仓库git clone https://github.com/langchain-ai/deep-agents-ui.gitcd deep-agents-ui# 安装依赖并启动npm installnpm run dev- 【进阶】代码级实时调试（Rich 美化输出）
如果你更习惯在代码中调试，可以使用 agent.stream() 方法配合 rich 库，实时打印 Agent 的思考过程和工具调用。
import jsonfrom rich.console import Consolefrom rich.panel import Panelfrom rich.json import JSONconsole = Console()def debug_agent(query: str): """ 运行智能体并打印中间过程（使用 Rich 美化输出） """ console.print(Panel.fit(f"[bold cyan]查询:[/bold cyan] {query}", border_style="cyan")) step_num = 0 # 使用 stream 方法获取流式事件 for event in agent.stream( {"messages": [{"role": "user", "content": query}]}, stream_mode="values" ): step_num += 1 console.print(f"\n[bold yellow]步骤 {step_num}[/bold yellow]") if"messages"in event: msg = event["messages"][-1] # 打印 AI 思考 if hasattr(msg, 'content') and msg.content: console.print(Panel(msg.content, title="[bold green]AI 思考[/bold green]", border_style="green")) # 打印工具调用 if hasattr(msg, 'tool_calls') and msg.tool_calls: for tool_call in msg.tool_calls: tool_info = {"工具": tool_call.get('name'), "参数": tool_call.get('args')} console.print(Panel(JSON(json.dumps(tool_info)), title="[bold blue]工具调用[/bold blue]", border_style="blue"))# 运行调试debug_agent("详细调研 LangChain DeepAgents 框架的核心特性")总结
通过上述步骤，我们成功构建了一个具备以下能力的深度代理：
- 自主规划：能够将“介绍模型特性”这样的大任务拆解为“搜索特性”、“搜索区别”、“整理报告”等子任务。
- 联网能力：通过 Tavily 实时获取 DeepSeek-v3.2 的最新信息，克服了大模型的知识截止问题。
- 深度思考：结合 DeepSeek-v3.2 强大的推理能力，能够对检索到的信息进行逻辑整合而非简单拼接。
- 可视化调试：掌握了 LangGraph Studio、Deep Agents UI 和代码级调试三种方法，让 Agent 的“黑盒”变得透明。
DeepAgents 的出现，让构建复杂的 Agentic Workflow 变得前所未有的简单。结合国产高性价比模型 DeepSeek，开发者可以以极低的成本探索 AI Agent 的无限可能。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
)
