引言：AI Agent开发的下一站

在AI应用开发领域，我们经常面临这样的挑战：如何让AI不仅仅是聊天机器人，而是真正能够操作文件、执行任务、管理项目的生产力工具？如何构建既强大又安全的AI应用？DeepAgents框架正是为解决这些问题而生。

DeepAgents是基于LangGraph的企业级AI Agent框架，它将文件系统、子智能体、长期记忆、命令执行和人机协作等高级功能整合到一个统一的框架中。今天，我们将深入探索这个框架的核心特性和实际应用。

一、框架概览：AI的瑞士军刀

什么是DeepAgents？

DeepAgents就像是给AI装上了一整套专业工具箱：

  • 文件系统：让AI能像人类一样读写、编辑、搜索文件

  • 子智能体：主Agent可以委派任务给专业助手

  • 长期记忆：跨会话保存重要信息

  • 命令执行：安全的shell命令执行能力

  • 人机协作：关键操作前征求人类同意

核心架构

DeepAgents采用分层架构设计：

  1. 中间件层：7个默认中间件按顺序处理请求

  2. 存储层：灵活的后端存储策略

  3. 智能体层：主Agent与子智能体协同工作

  4. 持久化层：Checkpointer和Store确保状态持久化

二、核心组件深度解析

1. Middleware中间件：AI的功能模块

中间件是DeepAgents的核心创新，每个中间件为AI添加特定能力：

FilesystemMiddleware（文件系统中间件）

from deepagents import create_deep_agent

agent = create_deep_agent(
    system_prompt="你是一个文件管理助手"
)

# AI现在可以执行文件操作
result = agent.invoke({
    "messages": [{"role": "user", "content": "创建/data/test.txt文件，内容是'Hello World'"}]
})

提供7个核心工具：

  • ls()：列出目录文件

  • read_file()：读取文件内容

  • write_file()：创建新文件

  • edit_file()：编辑现有文件

  • glob()：模式匹配查找文件

  • grep()：搜索文件内容

  • execute()：执行shell命令

SubAgentMiddleware（子智能体中间件）

让主Agent能够委派复杂任务给专业助手：

code_reviewer = {
    "name": "code-reviewer",
    "description": "代码审查专家，用于审查代码质量、安全性和最佳实践",
    "system_prompt": "你是一个资深代码审查专家...",
    "tools": [analyze_code],
}

agent = create_deep_agent(
    subagents=[code_reviewer],
    system_prompt="你是一个智能助手"
)

# 主Agent自动决定何时调用子智能体
result = agent.invoke({
    "messages": [{"role": "user", "content": "审查/src/main.py的代码质量"}]
})

优势：

  • 任务隔离：每个子任务独立上下文

  • 并行处理：多个子Agent同时工作

  • 节省Token：只返回摘要，不保留详细过程

HumanInTheLoopMiddleware（人机交互中间件）

from langchain.agents.middleware import InterruptOnConfig

agent = create_deep_agent(
    interrupt_on={
        "execute": True,  # 执行命令前需要批准
        "write_file": InterruptOnConfig(
            interrupt_before=True,  # 执行前中断
            interrupt_after=False,  # 执行后不中断
        ),
        "edit_file": True,
    }
)

2. Backend后端存储：AI的"硬盘"选择

DeepAgents提供多种存储策略，适应不同场景：

StateBackend（临时存储）

from deepagents.backends import StateBackend

agent = create_deep_agent(
    backend=lambda rt: StateBackend(rt)
)

特点：文件存储在Agent状态中，不跨会话

StoreBackend（持久存储）

from deepagents.backends import StoreBackend
from langgraph.store.memory import InMemoryStore

store = InMemoryStore()
agent = create_deep_agent(
    backend=lambda rt: StoreBackend(rt),
    store=store
)

特点：文件存储在LangGraph Store中，跨会话共享

CompositeBackend（混合存储 - 企业级推荐）

from deepagents.backends import CompositeBackend, StateBackend, StoreBackend

composite_backend = CompositeBackend(
    default=lambda rt: StateBackend(rt),  # 默认临时存储
    routes={
        "/memories/": lambda rt: StoreBackend(rt),  # 长期记忆路径
        "/projects/": lambda rt: StoreBackend(rt),  # 项目文件路径
        "/cache/": lambda rt: StateBackend(rt),     # 缓存路径
    }
)

agent = create_deep_agent(backend=composite_backend)

路由规则（最长前缀优先）：

  • /memories/notes.txt → StoreBackend

  • /cache/temp.txt → StateBackend

  • /test.py → 默认Backend

3. Store长期记忆：记住重要信息

Store与Backend的区别：

  • Store：存储结构化数据（用户偏好、历史记录）

  • Backend：存储文件内容（文档、代码文件）

# 保存用户偏好到长期记忆
result = agent.invoke({
    "messages": [{
        "role": "user", 
        "content": "记住我的偏好：我喜欢简洁的代码风格，使用4空格缩进"
    }]
})

# AI会自动创建：/memories/user_prefs.json

三、实际应用案例

案例1：代码分析助手（企业级）

from deepagents import create_deep_agent
from deepagents.backends import CompositeBackend, StateBackend, StoreBackend
from langgraph.store.memory import InMemoryStore
from langgraph.checkpoint.memory import MemorySaver

# 配置专业子智能体
subagents = [
    {
        "name": "code-reviewer",
        "description": "代码审查专家",
        "system_prompt": "你是代码审查专家，关注代码质量、安全性和性能..."
    },
    {
        "name": "doc-generator",
        "description": "文档生成专家",
        "system_prompt": "你是技术文档专家，生成清晰易读的文档..."
    }
]

# 企业级配置
store = InMemoryStore()
checkpointer = MemorySaver()
composite_backend = CompositeBackend(
    default=lambda rt: StateBackend(rt),
    routes={
        "/memories/": lambda rt: StoreBackend(rt),
        "/projects/": lambda rt: StoreBackend(rt),
    }
)

agent = create_deep_agent(
    subagents=subagents,
    backend=composite_backend,
    store=store,
    checkpointer=checkpointer,
    interrupt_on={
        "execute": True,
        "write_file": True
    },
    system_prompt="你是企业级代码分析助手"
)

# 使用：分析整个代码库
result = agent.invoke({
    "messages": [{
        "role": "user", 
        "content": "分析/src目录下的所有Python代码，生成审查报告和文档"
    }]
})

执行流程：

  1. 使用glob()找到所有Python文件

  2. 并行启动多个code-reviewer子智能体审查不同文件

  3. 启动doc-generator子智能体生成文档

  4. 汇总结果，返回综合报告

案例2：性能测试编排系统

# 定义K6性能测试工作流
composite_backend = CompositeBackend(
    default=lambda rt: StateBackend(rt),  # 临时文件
    routes={
        "/memories/": lambda rt: StoreBackend(rt),  # 历史测试数据
    }
)

agent = create_deep_agent(
    subagents=[
        {
            "name": "script-generator",
            "description": "K6脚本生成专家",
            "tools": [generate_k6_script]
        },
        {
            "name": "test-executor", 
            "description": "测试执行专家",
            "tools": [execute_k6_test]
        }
    ],
    backend=composite_backend,
    interrupt_on={
        "execute_k6_test": True,  # 执行测试前需要批准
    }
)

# 提交测试需求
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        为以下API创建性能测试：
        - GET https://api.example.com/users
        - POST https://api.example.com/users
        
        测试要求：
        - 100并发用户
        - 持续5分钟
        - 响应时间 < 200ms
        """
    }]
})

案例3：智能研究助手（并行处理）

agent = create_deep_agent(
    system_prompt="你是一个研究助手，当需要研究多个独立主题时，为每个主题启动并行子智能体"
)

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """
        研究以下三个AI框架并比较：
        1. LangChain
        2. LlamaIndex  
        3. AutoGPT
        
        对比维度：
        - 核心功能
        - 优缺点
        - 适用场景
        - 社区活跃度
        """
    }]
})

# AI会自动启动3个并行子智能体，分别研究三个框架

四、最佳实践指南

1. Backend选择策略

# 场景1：简单应用，单会话
agent = create_deep_agent()  # 默认StateBackend

# 场景2：需要跨会话记忆
agent = create_deep_agent(
    backend=lambda rt: StoreBackend(rt),
    store=InMemoryStore()
)

# 场景3：企业级应用（推荐）
agent = create_deep_agent(
    backend=CompositeBackend(
        default=SandboxBackend(...),  # 代码执行
        routes={
            "/memories/": StoreBackend,  # 长期记忆
            "/projects/": StoreBackend,  # 项目文件
            "/cache/": StateBackend,     # 临时缓存
        }
    ),
    store=InMemoryStore()
)

2. 子智能体使用原则

应该使用子智能体的场景：

  • 复杂多步骤任务

  • 可以并行处理的独立任务

  • 需要专业领域知识的任务

  • 需要隔离上下文避免主线程被淹没

不应该使用子智能体的场景：

  • 简单的单步操作

  • 需要看到完整推理过程的任务

  • 任务之间有强依赖关系

3. 安全配置建议

# 开发环境：相对宽松
interrupt_on = {
    "execute": True,  # 只拦截命令执行
}

# 生产环境：严格保护
interrupt_on = {
    "execute": True,
    "write_file": True,
    "edit_file": True,
    "task": InterruptOnConfig(
        interrupt_before=False,
        interrupt_after=True,  # 查看子智能体结果
    ),
}

4. 性能优化技巧

  1. 使用Prompt缓存：AnthropicPromptCachingMiddleware自动缓存系统提示词

  2. 合理配置摘要阈值：根据模型上下文长度调整SummarizationMiddleware

  3. 利用并行执行：框架自动并行执行多个task调用

  4. 优化存储策略：使用CompositeBackend将文件存储到最合适的位置

五、常见问题解答

Q1：StateBackend和StoreBackend的主要区别？

A：

  • StateBackend：文件存储在Agent状态中，通过Checkpointer持久化，不跨会话

  • StoreBackend：文件存储在LangGraph Store中，跨会话共享所有文件

Q2：如何让不同子智能体使用不同模型？

A：

subagents = [
    {
        "name": "fast-agent",
        "description": "快速响应的助手",
        "model": "gpt-3.5-turbo",  # 使用更快的模型
    },
    {
        "name": "smart-agent", 
        "description": "深度分析的助手",
        "model": "gpt-4",  # 使用更强的模型
    },
]

Q3：如何查看Agent的执行过程？

A：

# 方式1：开启debug模式
agent = create_deep_agent(debug=True)

# 方式2：使用LangSmith追踪
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"

# 方式3：流式输出
for chunk in agent.stream({...}):
    print(chunk)

Q4：如何处理大文件？

A：FilesystemMiddleware自动处理：

  • 读取时使用分页：read_file("/large.txt", offset=0, limit=100)

  • 工具结果太大时自动保存到/large_tool_results/目录

六、框架优势总结

1. 完整的文件系统支持

  • 7个核心文件操作工具

  • 灵活的存储后端选择

  • 自动处理大文件和分页

2. 智能的任务委派系统

  • 主Agent智能调度子智能体

  • 支持并行处理节省时间

  • 上下文隔离节省Token

3. 企业级存储方案

  • 临时存储、持久存储、沙箱执行灵活组合

  • CompositeBackend提供路由机制

  • 支持复杂的文件组织结构

4. 安全可控的操作

  • 灵活的人机交互配置

  • 操作前后都可中断

  • 保护敏感操作和文件

5. 性能优化内置

  • 自动对话摘要防止上下文溢出

  • Prompt缓存节省API成本

  • 并行执行提升效率

七、学习路径建议

初学者路径

  1. 阅读框架深度解析的"框架概览"部分

  2. 运行示例代码的前两个示例

  3. 参考快速参考手册进行实践

进阶开发者路径

  1. 深入阅读框架深度解析的所有章节

  2. 运行所有示例代码，理解不同配置差异

  3. 根据实际需求定制子智能体和Backend

企业级应用路径

  1. 学习CompositeBackend的路由机制

  2. 设计合理的文件组织结构

  3. 配置完善的人机交互策略

  4. 参考完整示例构建生产级应用

八、快速开始

from deepagents import create_deep_agent

# 最简单的开始
agent = create_deep_agent(
    system_prompt="你是一个智能助手"
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "创建一个项目结构，包含src、tests、docs目录"}]
})

print(result)

结语：AI应用开发的新范式

DeepAgents代表了AI应用开发的一个重要进步。它不仅仅是另一个AI框架，而是为企业级AI应用提供了一套完整的解决方案。通过将文件操作、任务委派、长期记忆和人机协作等高级功能整合到统一的框架中，DeepAgents让开发者能够构建出真正强大、安全、可靠的AI应用。

无论你是要构建代码分析工具、自动化测试系统、研究助手还是完整的企业级AI工作台，DeepAgents都提供了必要的构建模块和最佳实践。

关键启示：

  • 从简单的聊天机器人升级到能够操作系统的智能助手

  • 利用子智能体实现复杂任务的分解和并行处理

  • 通过人机交互确保AI操作的安全可控

  • 选择合适的存储策略平衡性能和持久化需求

DeepAgents框架正在重新定义我们与AI协作的方式，让AI从被动的问答工具转变为主动的生产力伙伴。

# 人工智能
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

Kubernetes CoreDNS 解析超时排查（ndots 与 NodeLocal DNSCache）

CoreDNS 超时先用 ClusterIP 直连排除数据面，再读 Pod的ndots 与 search。默认 ndots:5 让短名查询放大数倍，AAAA 再乘一倍。指标上区分 NXDOMAIN 瀑布和真正的 SERVFAIL/p99。NodeLocal DNSCache 降 RTT、不消灭放大；根上仍是 FQDN 或谨慎的 dnsConfig。改 DNS 全局配置必须可回滚，禁止先停 Core

avatar 2048 AI社区
cover

AIGC课程为什么从99元到数万元都有：先把“买工具”与“买结果”分开

avatar 2048 AI社区

AI视频总结工具有哪些？2026年5款热门工具横向评测

本文从客观角度介绍5款常见的AI视频总结工具：Ai好记、NoteAi、BibiGPT、通义听悟、NotebookLM。每款工具按同一套维度说明：支持的内容来源、转写与总结能力、操作方式、页面呈现，以及适用场景。文末附功能对比表和常见问题，供读者按需选择。

avatar 2048 AI社区