随着Manus、Claude Code、Deep Research等AI应用的持续爆火，其底层核心技术——深层代理（Deep Agents）已迅速崛起为AI领域的新风口，成为构建高自主度智能体的关键方向。
LangChain官方重磅推出的DeepAgents框架，正是为开发者提供了复现Deep Research类应用体验的标准化解决方案，无需从零搭建架构，就能快速构建适配复杂、多步骤长时程任务的智能体，大幅降低AI Agent开发门槛。
同步地，LangChain官方博客也发布了题为《Doubling down on deepagents》的专题文章，深入阐述了该框架的设计理念与技术路线，进一步印证了DeepAgents的行业价值。
论文地址：> 论文地址：https://arxiv.org/pdf/2510.21618
本文将从架构拆解到实战落地，一步步带大家掌握DeepAgents框架，并基于DeepSeek-v3.2模型+LangChain DeepAgents，亲手打造能自主完成信息搜集、报告撰写的“数字员工”，小白也能跟着操作。
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)如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
 的陷阱)
