很多人做智能体时，会用“大模型 + 循环调用工具”的最简单架构。它好用，但常常很“浅”，一遇到复杂、长链路任务就容易跑偏、忘事、或停在半路。

像 Deep Research、Manus、Claude Code 这类“深度”智能体，是怎么补上的？核心其实就四件事：

• 规划工具：先想清楚要做什么，再一步步做。
• 子智能体：把复杂任务拆给更专精的小助手。
• 文件系统：能读写文件，保留中间成果和上下文。
• 详细提示词：把工作方法讲清楚，少走弯路。

deepagents 是什么

deepagents 是一个 Python 包，把上面这四件事做成了通用能力，帮你更容易地搭出“深”智能体。它受 Claude Code 启发很深，目标是更通用、更好用。

deep agent

• 安装：

pip install deepagents

• 如果要跑下面的入门示例，还需要：

pip install tavily-python

一个简洁的入门示例

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

definternet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
"""Run a web search"""
return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

research_instructions = """You are an expert researcher. Your job is to conduct thorough research, and then write a polished report.

You have access to a few tools.

## `internet_search`

Use this to run an internet search for a given query. You can specify the number of results, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    [internet_search],
    research_instructions,
)

result = agent.invoke({"messages": [{"role": "user", "content": "what is langgraph?"}]})

这个 agent 本质上就是一个 LangGraph 图，所以你可以用 LangGraph 的常用能力（流式、HITL、人类介入、记忆、Studio 等）。

自定义一个“深”智能体

• tools（必填）：一组函数或 LangChain 的 @tool。主智能体和子智能体都能用。
• instructions（必填）：这会成为提示词的一部分（系统提示词已内置，会和它一起起作用）。
• subagents（选填）：自定义子智能体，做专门的子任务。

子智能体有两种写法：

1. 简单版 SubAgent

• 必填字段：name（名字）、description（说明）、prompt（提示词）
• 可选字段：tools（可用工具，默认继承全部）、model_settings（该子智能体独立的模型设置）

research_subagent = {
"name": "research-agent",
"description": "Used to research more in depth questions",
"prompt": sub_research_prompt,
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[research_subagent]
)

2. 进阶版 CustomSubAgent

• 直接把一个预先构建好的 LangGraph 图当作子智能体用：

from langgraph.prebuilt import create_react_agent

custom_graph = create_react_agent(
    model=your_model,
    tools=specialized_tools,
    prompt="You are a specialized agent for data analysis..."
)

custom_subagent = {
"name": "data-analyzer",
"description": "Specialized agent for complex data analysis tasks",
"graph": custom_graph
}

agent = create_deep_agent(
    tools,
    prompt,
    subagents=[custom_subagent]
)

模型怎么配

• 默认模型："claude-sonnet-4-20250514"
• 你可以传任意 LangChain 模型对象作为默认模型；也可以为某个子智能体单独指定模型与参数。

示例：用 Ollama 的自定义模型

from deepagents import create_deep_agent
from langchain.chat_models import init_chat_model

model = init_chat_model(model="ollama:gpt-oss:20b")

agent = create_deep_agent(
    tools=tools,
    instructions=instructions,
    model=model,
)

示例：给“评审子智能体”单独上一个更快、更稳的模型

critique_sub_agent = {
"name": "critique-agent",
"description": "Critique the final report",
"prompt": "You are a tough editor.",
"model_settings": {
"model": "anthropic:claude-3-5-haiku-20241022",
"temperature": 0,
"max_tokens": 8192
    }
}

agent = create_deep_agent(
    tools=[internet_search],
    instructions="You are an expert researcher...",
    model="claude-sonnet-4-20250514",
    subagents=[critique_sub_agent],
)

内置工具

默认自带 5 个工具（可通过 builtin_tools 精简）：

• write_todos：写待办（帮助“先计划，再执行”）
• write_file：写文件（虚拟文件系统）
• read_file：读文件
• ls：列文件
• edit_file：编辑文件

精简示例（只保留待办工具）：

builtin_tools = ["write_todos"]
agent = create_deep_agent(..., builtin_tools=builtin_tools, ...)

关键部件

• 系统提示词（System Prompt）
  已内置，参考了 Claude Code 的风格，又更通用。它把“怎么规划、怎么用文件、怎么调用子智能体”等规则说清楚。好的提示词，是深度的关键。
• 规划工具（Planning Tool）
  类似 Claude Code 的 TodoWrite。它不直接“做事”，而是先把计划写下来，放在上下文里，帮助后续执行。
• 虚拟文件系统（File System Tools）
  提供 ls/read_file/write_file/edit_file，用 LangGraph 的 State 模拟，不会动到真实磁盘，方便在一台机上开多个智能体也不相互影响。
  目前支持一层目录；可以通过 State 中的 files 注入和读取。
• 子智能体（Sub Agents）
  内置一个通用子智能体（和主智能体同指令、同工具），也支持你自定义多个专门子智能体。好处是“隔离上下文”、“专人做专事”。
• 人机协同（Human-in-the-Loop）
  你可以给某些工具加“人工审批”拦截（interrupt_config）。支持：

• allow_accept：直接执行
• allow_edit：改工具或改参数再执行
• allow_respond：不执行，追加一条“工具消息”作为反馈
  需要配一个检查点（如 InMemorySaver）。当前一次只能拦截一个并行工具调用。

• MCP 工具
  通过 LangChain MCP Adapter 可以让 deepagents 使用 MCP 工具（注意使用 async 版本）。
• 配置化智能体（Configurable Agent）
  用 create_configurable_agent，把 instructions/subagents 等做成可配的构建器，方便在 langgraph.json 里部署和更新。也有 async 版本。

适合做什么

• 深度研究：查资料、比对观点、整合成文。
• 代码助手：规划变更、读改文件、分派子任务、总结提交。
• 数据/文档处理：拆分任务、多步加工、阶段性落盘。
• 流程自动化：有计划、有记忆、有分工、更可靠。

总结

nstructions/subagents等做成可配的构建器，方便在langgraph.json` 里部署和更新。也有 async 版本。

适合做什么

• 深度研究：查资料、比对观点、整合成文。
• 代码助手：规划变更、读改文件、分派子任务、总结提交。
• 数据/文档处理：拆分任务、多步加工、阶段性落盘。
• 流程自动化：有计划、有记忆、有分工、更可靠。

总结

建议先从小规模开始，逐步引入工具、子智能体和文件系统，并编写清晰的提示词指导智能体“先想后做、不确定时提问、记录关键步骤”。关键操作加入人工审核，并针对不同任务选用不同模型以平衡效果与成本。通过这些改进，原有的工具循环型智能体将变得更耐心、稳定，能更好地完成复杂任务。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

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。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】