DeepAgents框架解析：LangChain如何简化复杂AI智能体开发？

引言：LangChain 生态的新成员

前段时间，LangChain 公司正式发布了 LangChain 1.0 版本及其配套的 LangGraph 1.0，标志着其通用智能体（Agent）框架已趋于成熟。在此坚实基础上，LangChain 团队进一步推出了一个全新的开源项目——DeepAgents。该项目旨在显著提升智能体在复杂场景下的处理能力，致力于用更精简的代码实现更“深度”（Deep）的任务。

本文将为您带来 DeepAgents 的深度解读与实战体验。主要内容结构如下：

• DeepAgents：框架定位与核心能力概览 (DeepAgents: Framework Positioning and Core Capabilities Overview)
• 通过实例理解 DeepAgents：三大核心机制详解 (Understanding DeepAgents Through Examples: A Detailed Look at Three Core Mechanisms)
• DeepAgents 原理总结与未来展望 (DeepAgents Principles Summary and Future Outlook)

【本文相关源代码链接见文末】

DeepAgents：框架定位与核心能力概览

我们最熟悉的一种智能体形态，是让大语言模型（LLM）在推理循环中调用工具，并最终完成任务。然而，在复杂任务环境下，这类智能体往往会显得“脆弱”：可能出现任务步骤规划不合理、工具调用错误、上下文信息不断膨胀甚至遗忘核心目标等问题；同时，它们也缺乏主动规划步骤、管理中间变量以及优化上下文的能力。

若您在 LangChain 生态中进行开发，可以通过 LangGraph 从底层精细控制工作流，例如决定何时由 AI 自主决策、何时采用固化流程，或选择使用 ReAct 还是 Plan-then-Execute 等范式。但这通常伴随着较高的实现复杂度。

DeepAgents 正是为了应对上述痛点而诞生。 其核心目标可以用一句话概括：

让复杂、多步骤、长时间运行的智能体更容易开发与构建。

DeepAgents 是什么？

DeepAgents 是 LangChain 公司在 LangGraph 与 LangChain 之后推出的第三个独立开源智能体框架，与前者形成了清晰的分工协作关系。

在最新的 LangChain 1.0 版本中，这三者在智能体开发中的定位如下：

• LangGraph：提供持久化与可观测的运行时（Runtime），用于构建底层工作流与智能体。
• LangChain：基于 LangGraph 进行高层封装，提供更简洁的智能体接口（如 create_agent）与可扩展的中间件机制。
• DeepAgents：在 LangChain 的高层接口与 LangGraph 的运行时之上，进一步封装形成的“深度智能体”框架。其核心方法 create_deep_agent，本质上是在 create_agent 之上预置了一系列增强能力的中间件。

DeepAgents 提供了哪些增强能力？

目前在复杂任务智能体领域，最成功的实践主要有两类：编程智能体与深度研究智能体。DeepAgents 的灵感正来源于此类应用——这些“深度智能体”通过引入任务规划工具、子智能体、文件系统、详细提示等手段，在实践中有效突破了传统智能体的局限。

DeepAgents 将这些实践经验抽象为通用框架，开箱即用地提供了以下关键能力：

• 任务规划 (Task Planning)
• 虚拟文件系统 (Virtual File System)
• 长期记忆 (Long-term Memory)
• 分工协作（子智能体） (Division of Labor and Collaboration (Sub-agents))

下文我们将通过一个完整的实例来具体体验 DeepAgents 的这些独特能力。

何时选择使用 DeepAgents？

理解了 DeepAgents、LangChain 和 LangGraph 三者的分层定位后，这个问题可以简单地总结为：

当您需要构建复杂的、多步骤的、长时间运行的智能体，并且希望它具备任务规划、文件系统、长期记忆等高级能力时，应考虑使用 DeepAgents。

而对于一些步骤简单的任务，直接使用 LangChain 提供的 create_agent 接口通常就已足够。

通过 DeepAgents，开发者无需从零开始设计长流程智能体的复杂逻辑，只需提供自定义工具和任务说明等核心要素，就能快速构建一个功能强大的“深度智能体”。

通过实例理解 DeepAgents：三大核心机制详解

我们将从构建一个最简单的智能体开始，逐步细化和丰富其能力。在这个过程中，您可以清晰地看到 DeepAgents 是如何在 LangGraph 与 LangChain 的基础上“添砖加瓦”，以适应更复杂的任务环境。

首先，我们设计一个简单的应用场景：

构建一个借助搜索与金融数据接口等工具进行股票分析的智能体。

初始版本构建

最初，这个智能体看起来像一个标准的 ReAct 范式智能体。唯一的区别在于使用了 DeepAgents 的 create_deep_agent 方法，而非 LangChain 的 create_agent（其前身是 LangGraph 中的 create_react_agent）。

# === 系统指令 ===
SYSTEM_PROMPT = """
你是一个股票分析助手。你的任务是帮助用户分析股票，使用 search 工具搜索相关信息。
* 工作流程：...
* 输出要求：...
"""
main_tools = [
    search, # 通用网络搜索工具
]
# === 创建 DeepAgent ===
agent = create_deep_agent(
    model=f"openai:{OPENAI_MODEL}",
    tools=main_tools,
    system_prompt=SYSTEM_PROMPT,
    debug=True
).with_config({"recursion_limit": RECURSION_LIMIT})

为了更好观测智能体的运行，我们通过 LangGraph 命令行工具来部署和启动它：

然后在出现的 LangSmith Studio 界面上输入消息：“请帮我分析贵州茅台这只股票。”

您会发现它的运行过程与普通的智能体几乎没有区别。这是正常的，因为在没有触发其“深度能力”的情况下，DeepAgents 与普通智能体的执行路径是相同的。

现在，让我们来触发 DeepAgents 的第一个核心特性：任务规划。

核心机制一：任务规划

单纯依赖大语言模型来完成复杂任务的长期规划与执行，很容易发生目标偏离。各大模型厂商推出的“深度智能体”（如 OpenAI Deep Research、Claude Code）背后，除了训练特殊的智能体推理模型外，都采用了类似的策略：

在执行前先列出步骤、制定计划，然后逐一跟踪执行，并在必要时进行调整。

DeepAgents 中的任务规划能力是通过一个内置工具 write_todos 来实现的。它会在以下条件下触发：

• 任务目标比较复杂，特别是涉及较多的步骤时。
• 用户明确提示要求 LLM 先进行规划再执行。
• 每完成一个步骤，需要修订任务清单——标记状态或调整后续任务。

现在，让我们换一种方式输入任务要求，例如：“请为我制定一个详细的贵州茅台股票分析计划，并分步执行。”

再次通过 LangSmith Studio 观察执行过程，您会发现工作循环有所不同！第一次的工具调用变成了 write_todos，它会将 LLM 推理出的“待办事项”写入到状态（State）中。

而后续每完成一个步骤，该工具会再次被调用，用于标记任务状态（或修订计划）。

注意：如果您的任务过于简单，默认不会触发规划机制，以避免增加不必要的 Token 消耗和时间开销。

核心机制二：虚拟文件系统

想象一下，当领导交给您一项复杂任务时，您是不是需要一个笔记本来记录重要事项或工作成果，以便必要时随时翻阅？

DeepAgents 的另一个重要特性——“虚拟文件系统”，就类似于这样的笔记本：

为智能体配备一套虚拟文件系统与读写工具，使其能够随时记录、查询与持久化任务过程中的信息。

例如，作为一个客服智能体，可以将与客户每次交互的摘要存放在这个虚拟文件系统（如路径：/memories/{user_id}/ 下），当客户下次来访时即可调取历史记录。

虚拟文件系统由可插拔、可扩展的后端（Backend）来实现，其架构如下：

• StateBackend：以智能体的状态（State）作为存储，仅在本次运行线程内有效。可用于在一次对话中卸载临时的中间结果，以优化上下文空间。
• FileSystemBackend：以本地文件系统目录作为存储，可实现长期保存。例如，保存 AI 生成的创作文档或代码文件。
• StoreBackend：Store 是 LangGraph 实现跨线程持久化记忆的机制（可以通过 Redis、PostgreSQL 等实现）。您可以配置 Store 作为虚拟文件系统的后端。
• CompositeBackend：复合后端。例如，默认使用 StateBackend，但存储到 "/memories/" 路径的数据则使用 StoreBackend，以实现跨线程持久化。

此外，您可以编写自己的 Backend，例如将虚拟文件系统映射到阿里云 OSS；也可以扩展上述 Backend，例如为 FileSystemBackend 增加安全检查逻辑。

现在，我们继续用前面的智能体来体验文件系统特性。

1. 使用 State 作为后端（默认）

首先，不做任何代码修改，只对任务描述稍作调整，例如加入“请将分析过程中的关键数据记录下来”的

常见问题（FAQ）

DeepAgents框架主要解决什么开发痛点？

DeepAgents旨在解决复杂、多步骤、长时间运行的AI智能体开发难题，如任务规划不合理、工具调用错误、上下文膨胀等问题，让开发者能用更少代码构建更强大的智能体。

DeepAgents与LangChain、LangGraph是什么关系？

DeepAgents是LangChain生态中第三个独立开源框架，在LangGraph运行时和LangChain高层接口之上进行封装，通过create_deep_agent方法预置增强能力，形成分工协作的深度智能体框架。

DeepAgents的核心优势体现在哪些方面？

框架提供任务规划、虚拟文件系统、子智能体协作等内置能力，显著提升智能体在复杂场景的处理能力，通过预置中间件降低实现复杂度，实现更精简的深度任务开发。