【深度解析】LangChain DeepAgents 0.2新特性：可插拔后端让智能体构建更灵活，值得收藏

这次DeepAgents 0.2版本的更新，尤其是可插拔后端的构建，解决了先前版本的存储限制，引入多元化的存储方案，极大地增强了智能体构建的灵活性与可扩展性。为开发者构建能够持久运行、具备长期记忆的真正自主智能体，奠定了坚实的技术基础。

m0_48891301

280人浏览 · 2025-11-30 15:00:00

m0_48891301 · 2025-11-30 15:00:00 发布

LangChain DeepAgents 0.2版本推出可插拔后端功能，允许将文件系统从本地切换到远程虚拟机、数据库或其他系统，极大增强了智能体构建的灵活性。文章详细介绍了这一更新特性、不同后端的使用方法，以及DeepAgents、LangChain和LangGraph三者的定位差异。这些改进为开发者构建能够持久运行、具备长期记忆的自主智能体奠定了技术基础。

LangChain官方博客地址：

https://blog.langchain.com/doubling-down-on-deepagents/
Github地址：

https://github.com/langchain-ai/deepagents

1、更新内容

1、可插拔后端（Pluggable Backends）

0.2版本的主要新增功能在于可插拔后端。此前DeepAgents访问的"文件系统"仅为"虚拟文件系统"，其通过LangGraph状态来存储文件。

新版本引入了全新抽象，允许将任意存储方案作为"文件系统"接入。内置实现包括：

LangGraph状态存储
LangGraph跨线程持久化存储
本地文件系统

研究团队还创新性地推出了复合后端（composite backend）。可以先有一个基础后端（如本地文件系统），然后在其之上的特定子目录中映射其他后端。

例如为实现长期记忆功能，可以配置本地文件系统为基础后端，但将/memories/目录下的所有文件操作映射至基于S3的虚拟文件系统，使得智能体存储的内容能够突破本地计算机限制实现持久化。

开发者还可以编写自定义后端，以在任意数据库或数据存储上创建一个“虚拟文件系统”。同时支持通过继承现有后端，实现文件写入权限控制、文件格式校验等安全防护功能。

2、其他升级特性

本次0.2版本还包含一系列功能增强：

大型工具结果回收： 当工具调用结果超出预设的token数量限制时，自动将其转储至文件系统
对话历史总结： 在对话token使用量过大时，自动对历史对话记录进行压缩
工具调用修复： 当工具调用在执行前被中断或取消时，自动修复消息历史，确保一致性

大家纷纷表示，此次更新让DeepAgents更灵活和适合生产了。

2、DeepAgents vs LangChain vs LangGraph

DeepAgents已是LangChain团队的第三个开源库。许多开发者可能会好奇：究竟该如何在DeepAgents、LangChain与LangGraph之间做出选择？对此，LangChain团队强调，三者各有清晰应用场景和定位。

LangGraph：定位为智能体运行时（Agent Runtime），适用于构建工作流与智能体相结合的应用
LangChain：定位为智能体框架（Agent Framework），适合想使用核心智能体循环逻辑而不依赖任何内置功能，并从零开始构建所有提示词和工具的场景
DeepAgents：定位为智能体工具包（Agent Harness），专为构建更加自主的长期运行智能体而设计，可使用内置功能（如规划工具、文件系统等）

三者构成递进式技术栈：DeepAgents基于LangChain的智能体抽象层构建，而LangChain又依托于LangGraph的智能体运行时环境。

3、如何使用

下面将详细讲解本次更新中各后端的使用方法。

（如果想了解完整deepagent构建流程，可以参考以下链接：https://docs.langchain.com/oss/python/deepagents/overview）

1、内置后端

（1）StateBackend（临时）

# 默认情况下提供一个状态后端
agent = create_deep_agent()

智能体的默认文件系统后端存储在LangGraph状态中。注意此文件系统仅在单个线程持续。

适用于：

作为智能体的临时草稿本，用于写入中间结果
当工具返回的结果太大时，系统会自动将结果写入文件，智能体可以分段读取回这些内容

（2）FilesystemBackend（本地磁盘）

from deepagents.backends import FilesystemBackend
agent = create_deep_agent(
backend=FilesystemBackend(root_dir="/Users/nh/Desktop/")
)

这种方法可以：

在可配置的root_dir目录下读写真实文件（root_dir必须是一个绝对路径!）
可选设置virtual_mode=True来沙箱化路径并将其规范限制在root_dir下
使用安全的路径解析，尽可能防止不安全的符号链接遍历，支持使用ripgrep工具来加速文件内容搜索

适用于：

本地机器上的项目
CI（持续集成）沙箱环境
挂载的持久化存储卷

（3）StoreBackend (LangGraph Store)

from deepagents.backends import StoreBackend
agent = create_deep_agent(
backend=(lambda rt: StoreBackend(rt))   # Note that the tools access Store through the runtime.store
)

这种方法将文件存储在运行时提供的LangGraph BaseStore中，实现跨线程的持久化存储。

适用于：

当已配置并运行LangGraph存储时（例如使用Redis、Postgres或基于BaseStore的云端实现）
当通过LangSmith Deployments部署智能体时（会自动为智能体配置存储空间）

（4）CompositeBackend（路由）

from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend
from deepagents.backends.composite import build_composite_state_backend
composite_backend = lambda rt: CompositeBackend(
# 默认后端：使用 StateBackend（临时存储，仅在当前线程中持久化）
default=StateBackend(rt)
routes={
# /memories/ 路径下的文件使用 StoreBackend（跨线程持久化存储）
"/memories/": StoreBackend(rt),
# /docs/ 路径下的文件使用自定义后端
"/docs/": CustomBackend()
}
)
agent = create_deep_agent(backend=composite_backend)

这种方法会根据路径前缀将文件操作路由到不同的存储后端，并在目录列表和搜索结果中保留原始的路径前缀结构（如/memories/agent.md）。通常用于持久化/memories/*并保持其他所有内容的临时性。

适用于：

当希望为智能体同时提供临时存储和跨线程持久化存储时，CompositeBackend允许同时配置StateBackend和StoreBackend
当有多个信息源需要作为统一文件系统提供给智能体时。例如：将长期记忆存储在/memories/路径下的某个存储中，同时通过自定义后端使文档资料可在/docs/路径下访问

注意：

较长路径前缀具有更高优先级（例如，路由 “/memories/projects/”:FilesystemBackend(…)可以覆盖"/memories/": StoreBackend(rt)）
对于 StoreBackend 路由，确保智能体运行时提供了存储实例（StoreBackend依赖runtime.store来存储和检索数据）

2、使用虚拟文件系统

构建自定义后端，将远程或数据库文件系统（如 S3 或 Postgres）映射到工具命名空间中。

设计指南：

路径采用绝对路径格式（/x/y.txt）。需确定如何将其映射到存储键/行
高效实现 ls_info 和 glob_info 方法（优先使用服务端列表功能，否则使用本地过滤）
对于文件不存在或无效正则模式的情况，返回用户可读的错误信息
如需外部持久化，在结果中设置files_update=None；仅状态后端应返回files_update字典

如S3风格自定义后端框架：

from deepagents.backends.protocol import BackendProtocol, WriteResult, EditResult
from deepagents.backends.utils import FileInfo, GrepMatch
class S3Backend(BackendProtocol):
def __init__(self, bucket: str, prefix: str = ""):
self.bucket = bucket
self.prefix = prefix.rstrip("/")
def _key(self, path: str) -> str:
return f"{self.prefix}{path}"
def ls_info(self, path: str) -> list[FileInfo]:
# List objects under _key(path); build FileInfo entries(path, size, modified_at)
...
def read(self, file_path: str, offset: int = 0, limit: int = 2000) -> str:
# Fetch object; return numbered content or an error string
...
def grep_raw(self, pattern: str, path: str | None = None, glob: str | None = None) -> list[GrepMatch] | str:
# Optionally filter server‑side; elselistand scan content
...
def glob_info(self, pattern: str, path: str = "/") -> list[FileInfo]:
# Apply glob relative to path across keys
...
def write(self, file_path: str, content: str) -> WriteResult:
# Enforce create‑only semantics; return WriteResult(path=file_path, files_update=None)
...
def edit(self, file_path: str, old_string: str, new_string: str, replace_all: bool = False) -> EditResult:
# Read → replace (respect uniqueness vs replace_all) → write → return occurrences
...

总结

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，故此将并将重要的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。

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】