DeepAgents是什么？LangChain新一代复杂AI智能体框架深度解析

近期，LangChain 公司正式发布了 LangChain 1.0 及其配套的 LangGraph 1.0，标志着其通用 Agent 框架已趋于成熟。在此基础上，团队还推出了全新的开源项目 DeepAgents，旨在进一步提升 Agent 在复杂场景下的能力，用更少的代码完成更“深度”的任务。

本文将为你带来 DeepAgents 的深入解读与实战体验。

01 DeepAgents：框架定位与能力速览

我们最熟悉的一种 Agent 形态，就是让 LLM 在推理循环中调用工具，并最终完成任务。但在复杂环境下，这类 Agent 往往会显得有些“脆弱”：任务步骤不合理、工具调用错误、上下文不断膨胀、甚至遗忘任务目标；缺乏主动规划步骤、管理中间变量、以及优化上下文的能力。

如果你在 LangChain 生态中开发，可以通过 LangGraph 从底层掌控工作流，例如：什么时候由 AI 决策、什么时候固化流程；使用 ReAct 还是 Plan-then-Execute 等范式 —— 但实现复杂度相对较高。

DeepAgents正是为了解决上述痛点而诞生。其出发点可用一句话概括：让复杂、多步骤、长时间运行的Agent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 Agent 框架，与前两者形成清晰分工。

在最新的LangChain 1.0版本中，这三者开发Agent的定位是：

• LangGraph：提供持久化与可观测的Runtime，用于构建底层工作流与Agent。
• LangChain：基于 LangGraph 的高层封装，提供更简洁的 Agent 接口（create_agent）与扩展中间件机制。
• DeepAgents：在 LangChain 的高层接口 + LangGraph 的运行时之上，进一步封装形成“深度 Agent”框架。其核心方法 create_deep_agent，其实就是在 create_agent 之上增加了预置的系列中间件能力。

DeepAgents 增加了哪些能力？

目前在复杂任务Agent领域最成功的有两类：编程智能体与深度研究智能体。DeepAgents也受到这一类应用的启发 — 这些“深度 Agent”通过增加任务规划工具、子Agent、文件系统、详细提示等手段，在实践中突破了传统 Agent 的局限。

DeepAgents将这些经验抽象为通用框架，开箱即用地提供任务规划、文件系统、长期记忆、分工协作等能力。

什么时候选择 DeepAgents？

理解了DeepAgents/LangChain/LangGraph三者的分层定位，这个问题可以简单的总结为：当你需要构建复杂的多步骤、长时间运行的Agent；并希望拥有任务规划、文件系统、长期记忆等能力时，考虑DeepAgents。 而对于一些简单步骤的任务，直接使用 LangChain 提供的create_agent就已经足够。

通过 DeepAgents，开发者无需从零开始设计长流程 Agent，只需提供自定义工具和任务说明等，就能快速构建一个强大的“深度 Agent”。

02 实例读懂 DeepAgents：三大核心机制

我们将从构建一个最简单的Agent开始，并逐步细化与丰富其能力。在这个过程中你将可以清晰的看到：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。

首先设计一个简单的场景：构建一个借助于搜索与金融数据接口等工具进行股票分析的Agent。

初始版本构建

最初这个Agent看上去是一个标准的ReAct范式Agent，唯一区别在于使用create_deep_agent而不是LangChain的create_agent（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。..."""
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})

为了更好的观测Agent运行，通过LangGraph命令行来部署与启动：

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。

你会发现它的运行过程与普通的Agent几乎没有区别。这是正常的，因为在没有触发“深度能力”的情况下，DeepAgents 与普通 Agent 的执行路径相同。

现在我们来触发DeepAgent的第一个特性：任务规划。

任务规划：Planning Tool

单纯依赖LLM完成复杂任务的长期规划与执行很容易发生偏离。各大模型厂商推出的“深度 Agent”（如 OpenAI Deep Research、Claude Code）背后除了训练特殊的Agent推理模型外，都采用了类似的策略：在执行前先列步骤、做计划，然后逐一跟踪执行；并在必要时做调整。

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
• 用户明确提示要求LLM先规划执行
• 每完成一个步骤，需要修订任务清单 - 标记状态或调整任务

现在让我们换个方式输入任务要求：请帮我详细分析贵州茅台这只股票，包括基本面、技术面和消息面。请先制定一个分析计划。

再次通过LangSmith Studio观察执行过程，你会发现，这一次的工作循环有所不同！第一次的工具调用是write_todos，它会将LLM推理出的“代办事项”写入到State中。而后续每完成一个步骤，该工具会再次被调用 - 标记状态（或修订计划）。

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

文件系统：File System

想象下，当领导交给你复杂任务时，你是不是需要一个笔记本来记录重要事项或工作成果，必要时可以翻阅？DeepAgents的另一个重要特性 - “文件系统”，就类似这样的笔记本：给Agent配备一套虚拟文件系统与读写工具，可随时记录、查询与持久化任务过程中的信息。

虚拟文件系统由可插拔、可扩展的后端（Backend）来实现，架构如下：

• StateBackend：Agent的State作为存储，仅在本次线程有效。可用来在一次对话中卸载临时的中间结果，优化上下文空间。
• FileSystemBackend：本地文件系统目录作为存储，可长期保存。比如保存AI生成的创作文档或代码文件。
• StoreBackend：Store是LangGraph实现跨线程持久记忆的机制（可以是Redis、Postgres等实现）。你可以配置Store作为虚拟文件系统。
• CompositeBackend：复合后端。比如默认使用StateBackend；但存储到/memories/的数据则使用StoreBackend以实现跨线程持久。

此外，你可以编写自己的Backend，比如把虚拟文件系统映射到阿里云OSS；也可以扩展上述Backend，比如给FileSystemBackend增加安全检查。

现在我们继续用前面的Agent来体验该特性。

State作为Backend（默认）

首先不做任何代码修改，只对任务稍作修改：请分析贵州茅台，并将分析结果保存到 /reports/maotai_analysis.md 文件中。

观察执行过程，你将会看到write_file工具的调用。由于没做任何指定，Agent会使用默认的StateBackend：将“文件”直接保存在State的Files字段。很显然，它并不是真实的文件，仅限本次线程有效。

本地文件系统作为Backend

现在给Agent更换另一个Backend的实现：

from deepagents.backends import FilesystemBackend
agent = create_deep_agent(
    ...,
    backend=FilesystemBackend(root_dir="./fs", virtual_mode=True)
)

相同的输入任务下，你将不会在State看到Files字段，而是生成了真实的文件。

LangGraph Store作为Backend

这是非常重要的一项能力。它可以让Deep Agents能够像访问文件系统一样，直接操作底层LangGraph的持久装置（Store），从而获得跨线程、跨会话、带向量检索能力的持续记忆能力。

关于LangGraph Store的应用，可参考LangGraph官方文档详细了解。

继续修改我们的Agent，并同时演示CompositeBackend的能力：

def create_backend(runtime):
    return CompositeBackend(
        default=FilesystemBackend(root_dir="./fs", virtual_mode=True),
        routes={
            "/memories/": StoreBackend(runtime)
        }
    )
agent = create_deep_agent(
    model=f"openai:{OPENAI_MODEL}",
    tools=main_tools,
    backend=create_backend,
    system_prompt=SYSTEM_PROMPT,
    debug=True
).with_config({"recursion_limit": RECURSION_LIMIT})

这里创建了一个复合的Backend：默认使用本地文件系统做后端；但如果路由路径是/memories/，则使用LangGraph Store作为后端（默认类型InMemoryStore)。

接着在系统提示中增加一些指令：

- 把股票分析结果保存成`/reports`下面的Markdown文件
- 把用户分析过的股票名称保存到`/memories/my_stocks.md`中，方便下次调用

现在启动一个运行线程，并输入任务。根据以上的设置：股票分析结果会被保存到本地文件系统；但分析过的股票名称将会被路由到LangGraph的持久记忆Store。所以你会在本地看到分析结果,但无法看到这里的my_stocks.md“文件”。

为了验证my_stocks中的“记忆”，我们开启一个新的线程任务：我之前分析过哪些股票？

此时Agent会调用read_file工具来读取Store，并输出结果。实际应用中，该功能可以用来实现诸如用户偏好记忆、知识积累

常见问题（FAQ）

DeepAgents框架主要解决传统AI智能体的哪些痛点？

DeepAgents旨在解决传统智能体在复杂场景下的脆弱性问题，如任务步骤不合理、工具调用错误、上下文膨胀和遗忘目标，通过内置能力简化开发。

DeepAgents与LangChain、LangGraph之间是什么关系？

DeepAgents是LangChain推出的第三个独立开源框架，在LangGraph运行时和LangChain高层接口之上封装，通过create_deep_agent方法提供预设中间件能力。

DeepAgents为开发者提供了哪些开箱即用的核心能力？

框架抽象了编程智能体和深度研究智能体的经验，提供任务规划工具、虚拟文件系统、子智能体协作和长期记忆等内置能力，帮助构建复杂多步骤智能体。