架构师之道
1
架构师之道
2
目 录
摘要 ............................................................................... 4
0 引言 ............................................................................. 4
1 DeepAgents基础 ................................................................... 5
典型应用场景 ................................................................................ 5
DeepAgents核心能力体系 ...................................................................... 5
技术实现与生态定位 .......................................................................... 6
三层技术架构 ................................................................................ 6
技术栈集成 .................................................................................. 6
应用场景与选型指南 .......................................................................... 6
小结 ........................................................................................ 7
2 本文核心内容...................................................................... 7
我们将要构建的系统 .......................................................................... 7
你将学到的关键知识（来自我的经验与教训） .................................................... 7
技术架构（我的设计思路） .................................................................... 8
该模式的核心价值 ............................................................................ 9
3 技术栈 ........................................................................... 9
4 为什么值得一读？ .................................................................. 9
超越基础智能体 ............................................................................. 10
解决实际生产环境中的问题 ................................................................... 10
完整可运行的实现方案 ....................................................................... 10
学习可复用的模式 ........................................................................... 10
理解设计决策背后的逻辑 ..................................................................... 11
紧跟 AI 智能体的发展趋势 ................................................................... 11
实际业务价值 ............................................................................... 11
5 设计思路 ........................................................................ 11
架构设计理念 ............................................................................... 11
战略规划层 ................................................................................. 12
持久化上下文管理 ........................................................................... 12
专业子智能体委托 ........................................................................... 13
智能工作流协调 ............................................................................. 13
架构师之道
3
完整工作流程 ............................................................................... 14
该架构具备可扩展性的原因 ................................................................... 15
6 动手实践 ........................................................................ 15
步骤 1：安装依赖并配置环境 .................................................................. 15
步骤 2：配置 API密钥 ........................................................................ 16
步骤 3：导入核心库 .......................................................................... 16
步骤 4：定义网络搜索工具 .................................................................... 17
步骤 5：创建研究子智能体配置 ................................................................ 18
步骤 6：创建评审子智能体配置 ................................................................ 19
步骤 7：设计主智能体系统的提示词 ............................................................ 20
步骤 8：创建并运行主深度智能体 .............................................................. 21
步骤 9：调用智能体执行研究查询 .............................................................. 23
7 环境搭建指南..................................................................... 26
前置条件 ................................................................................... 26
安装步骤 ................................................................................... 27
项目结构 ................................................................................... 29
常见搭建问题与解决方案 ..................................................................... 29
快速启动检查清单 ........................................................................... 29
后续步骤 ................................................................................... 30
8 与自有应用集成 ................................................................... 30
执行完整系统流程 ........................................................................... 30
9 总结思考 ........................................................................ 36
我们的成果 ................................................................................. 36
深层意义 ................................................................................... 36
AI智能体的未来趋势 ......................................................................... 37
实践后续步骤 ............................................................................... 37
全局视角 ................................................................................... 38
最终寄语 ................................................................................... 38
10 想要深入探索？ .................................................................. 39
架构师之道
4
用 LangChain DeepAgents开发高级 AI智能体实战手册
当简单的工具调用已无法满足需求，是时候打造真正具备思考能力的智能体了。
摘要
根据我在 LLM 智能体开发领域的经验，最大的挑战并非让智能体调用函数，而是让它
们在处理复杂多步骤工作流时保持稳定运行。传统智能体就像中途会忘记任务的助手，而
LangChain 的 DeepAgents 彻底改变了这一现状。在我看来，它是首个真正支持智能体进
行战略规划、持久化记忆上下文、委托给专业子智能体，并持续迭代优化输出质量的框架。
本指南将带你亲手构建一个我设计的 AI 政策研究智能体，直观展示这些核心能力。你将看
到完整可运行的代码、理解每个模块的设计思路，并最终获得一个能自主生成专业研究报告
的系统。
0 引言
让我分享一个困扰了我数月的问题。
构建一个能调用单一工具的智能体？很简单。让 LLM 执行网络搜索或查询数据库？我已
经做过无数次了。但当我尝试构建更复杂的系统——一个能研究复杂主题、整合发现、自我审
查并生成精炼报告的智能体时，所有环节都崩解了。
我之前构建的智能体，现在看来只能算是“浅层智能体”。它们最多执行一两个步骤，就会
忘记自己的任务目标。Token 数限制会被突破，上下文会变得混乱，而且由于缺乏审查机制，
输出质量大打折扣。根据我的经验，这是大多数开发者从 Demo原型转向生产级 AI系统时都会
遇到的瓶颈。
直到我发现了 LangChain 的 DeepAgents 库，说实话，它彻底改变了我对智能体架构的
认知。
最让我印象深刻的是它背后的设计理念。DeepAgents 团队研究了 Claude Code 和 Deep
Research 等生产级系统——这些真正能处理复杂工作流的应用，提炼出了让它们稳定运行的
核心模式。最终诞生的框架，为智能体赋予了浅层智能体所缺失的四项关键能力：
• 规划工具，让智能体在着手执行前能战略化分解任务；
• 文件系统访问，提供对话上下文之外的持久化记忆；
• 子智能体创建，支持将任务委托给专注于特定领域的专业模块；
• 以及通过 LangGraph Store 实现的长期记忆，确保跨会话的状态保持。
架构师之道
5
在我看来，这些并非可有可无的功能——而是任何执行复杂任务的智能体都必须具备的
基础架构要求。
因此，我决定构建一个真正实用的系统来验证它的能力。不是玩具级 Demo，而是一个能媲
美人类分析水平的政策研究系统——就是我以前手动进行监管研究时梦寐以求的那种智能体。
在本指南中，我会详细拆解构建过程、分享开发中的决策思路，以及每个组件的核心作用。
1 DeepAgents基础
2025年 8月，LangChain 团队发表了一篇题为《Doubling Down on DeepAgents》的文
章，提出了一种新型 AI智能体——DeepAgents（深层智能体）。这类智能体突破了传统一
次性问答系统的限制，具备了执行复杂、开放式任务的能力，并能在长时间跨度内持续运
行、自主决策、自我优化。
典型应用场景
例如，当接收到如下任务时： > “帮我调研强化学习领域的最新进展，写一份面向投资
者的报告，请尽快完成。”
DeepAgents能够通过多步骤推理、动态规划、状态记忆和资源管理等能力，独立完成这类
需要深度思考和持续执行的任务。
DeepAgents核心能力体系
LangChain 团队指出，一个真正意义上的“深层智能体”必须具备规划工具（Planning
Tool）、文件系统访问（Filesystem Access）、子智能体（Subagents）、精细提示词
（Detailed Prompts）这四个关键能力。
基于这四个关键能力，DeepAgents构建了完整的能力矩阵：
关键能力 功能说明 技术实现 核心功能
智能规划与
任务分解
将复杂目标拆解为可
执行的子任务，并动态
调整执行路径
内 置
write_todos 工
具
- 将复杂目标拆解为离散的可执行步骤
- 实时追踪任务进度与状态维护
- 根据执行反馈动态调整执行路径
- 实现目标的层次化管理和优先级调度
持久化存储
与上下文管理
持久化存储中间结果、
记忆和知识，实现跨会
话状态保持
文件系统工具集
（ ls 、
read_file 、
write_file 、
edit_file）
- 中间结果和知识的持久化存储
- 大型上下文信息的外部存储卸载
- 有效防止上下文窗口溢出问题
- 跨会话状态保持与知识积累
分布式智能
体协作
支持任务分解，调用多
个专业化子智能体协
同完成不同模块
子智能体生成机
制（task 工具）
- 动态生成专业化子智能体处理特定任务
- 实现主智能体与子智能体的上下文隔离
- 支持复杂任务的并行执行与结果聚合
- 保持执行环境的整洁和资源优化
架构师之道
6
结构化推理
与决策引导
通过结构化、角色化的
提示工程，引导智能体
深度思考与决策
精细化提示词工
程
- 通过角色化提示引导深度思考过程
- 结构化的决策框架和推理链条
- 自适应的问题分析和解决策略
- 持续的自我优化和策略调整
技术实现与生态定位
基于这四大能力支柱，LangChain推出了开源库 deepagents——专为构建长期自治型智
能体而设计的 Python工具包。目前，deepagents 已发布 版本，在架构、性能和可扩展
性方面均有显著提升。
三层技术架构
DeepAgents在 LangChain生态系统中构建了完整的三层技术体系：
DeepAgents：智能体工具包层
- 定位：开箱即用的完整解决方案
- 特点：预设提示词、工具调用处理、规划工具集、文件系统访问
- 优势：高度封装，开发效率最高，可视为”通用版的 Claude Code”
LangChain：智能体框架层
- 定位：标准化开发抽象
- 核心价值：统一工具调用接口、模块化组件设计、简化 LLM交互复杂性
LangGraph：智能体运行时层
- 定位：生产级执行保障
- 核心职责：持久化执行和状态管理、流式传输支持、人机交互机制
技术栈集成
DeepAgents与其他 LangChain组件形成了完整的技术栈：
- LangGraph：提供底层图形执行引擎和状态管理
- LangChain：提供工具集成和模型抽象
- LangSmith：通过 LangGraph平台实现系统可观察性和生产部署
应用场景与选型指南
层级 代表工具 核心价值 典型使用场景
工具包层 DeepAgentsClaude 开箱即用的完整解决方案，预设提示词 快速原型开发，自主研究智
架构师之道
7
Agent SDK 和工具，内置子智能体生成 能体，自动化报告生成
框架层 LangChainCrewAIOpe
nAI Agents SDK
标准化开发抽象，统一接口，模块化设
计
企业级应用开发，团队协作，
自定义业务逻辑
运行时层 LangGraphTemporalI
nngest
生产级执行保障，持久化状态管理，流
式输出
生产环境部署，长时间运行
任务，高可靠性要求
小结
技术关系精要：
- DeepAgents 如“完整产品”，提供开箱即用的智能体解决方案
- LangChain 如“开发框架”，提供标准化构建模块
- LangGraph 如“执行引擎”，确保任务持续稳定运行
2 本文核心内容
本文旨在通过完整可运行的代码，向你展示如何构建一个具备战略思考能力，而非仅能
被动响应输入的 AI 智能体。
我们将要构建的系统
基于我在多个智能体框架上的实践经验，我设计了这个政策研究系统，它集中体现了
DeepAgents 架构的所有核心能力。这不是理论模型——而是经过我广泛测试的完整实现。
该智能体能够：
- 接收关于 AI 监管的复杂研究问题（例如“欧盟 AI 法案的最新动态是什么？”）
- 使用规划工具将研究任务分解为逻辑步骤
- 将实际调查工作委托给专业的研究子智能体
- 将中间成果保存到文件，避免上下文溢出
- 调用评审子智能体检查草稿质量
- 根据反馈迭代优化，最终生成专业报告
你将学到的关键知识（来自我的经验与教训）
通过这个项目，我总结出了几个关键实践模式：
1. 策略规划：在我看来，write_todos 工具被严重低估了。我最初跳过了这个步骤，认
为智能体“自己能想明白”。事实证明，明确的规划能将混乱的执行转化为有条理的工作流。
架构师之道
8
2. 上下文管理：这一点曾让我吃尽苦头。早期的智能体在研究过程中会触发 Token数限
制，然后忘记所有已完成的工作。文件系统操作（read_file、write_file、edit_file）彻
底解决了这个问题。根据我的经验，这对于复杂任务来说是必不可少的。
3. 子智能体委托：我曾经试图将所有功能塞进一个超大提示词里，这是个糟糕的主意。
专注于特定任务的子智能体——每个都有明确的职责范围——能显著提升输出质量。一个负
责研究，一个负责评审，职责划分清晰。
4. 自定义系统提示词：通用提示词只能产生通用结果。我学会了设计详细的、针对工作
流的指令，引导智能体逐步完成复杂流程。
5. 工具集成：网络搜索等外部能力并非附加组件——而是智能体功能的核心。我会向你
展示如何无缝集成 Tavily 搜索。
6. 模型灵活性：DeepAgents 最让我欣赏的一点是其模型无关的设计。我曾在
OpenAI、Gemini 和 Anthropic 模型上交替运行同一个系统，无需任何修改。
技术架构（我的设计思路）
在架构这个系统时，我考虑了三个层级：
第一层：主协调器
• 接收研究查询
• 规划工作流
• 协调子智能体
• 管理文件系统状态
• 交付最终输出
第二层：专业子智能体
• 研究子智能体：使用网络搜索进行深度调查
• 评审子智能体：检查输出的质量、准确性和完整性
第三层：基础设施
• 用于持久化状态的文件系统
架构师之道
9
• 用于长期记忆的 LangGraph Store
• 用于实时信息收集的 Tavily API
在我看来，这种分层架构是实现可扩展性的关键。每个组件都有单一且明确的职责。
该模式的核心价值
根据我构建生产级 AI 系统的经验，架构设计比模型选择更重要。一个设计良好的智能
体，即便使用 ，也能超越设计糟糕但使用 GPT-4 的智能体。你将学到的这些模式
——规划、委托、状态管理、质量控制——无论你使用哪种 LLM，或应用于哪个领域，都是
通用的。
无论你正在构建内容创作流水线、代码生成系统、数据分析工作流还是客户服务自动化工
具，这些核心原则都同样适用。
3 技术栈
组件 技术选型 用途
智能体框架 LangChain DeepAgents
核心库，用于构建具备规划能力和上下文管理
的深度智能体
LLM 提供商（主要） OpenAI GPT-4o 用于智能体推理和生成的主语言模型
LLM 提供商（备选） Google Gemini Flash 可选模型（完全可互换）
默认模型 Claude Sonnet 未指定模型时，DeepAgents 的内部默认选择
网络搜索 Tavily API 用于研究数据收集的实时网络搜索工具
状态管理 LangGraph Store 长期记忆和会话持久化
模型初始化 LangChain init_chat_model 多 LLM 提供商的统一调用接口
文件操作 内置文件工具
通过 read_file、write_file、edit_file、
ls 实现上下文管理
规划功能 内置 write_todos 任务分解和进度跟踪
子智能体管理 内置 task 工具 创建和委托任务给专业子智能体
环境管理 Python API 密钥和配置管理
开发环境 Jupyter Notebook 交互式开发和测试
4 为什么值得一读？
如果你正在构建的 AI 智能体需要执行的不仅仅是简单的工具调用，那么本文绝对值得
一读。原因如下：
架构师之道
10
超越基础智能体
大多数教程只会教你构建能调用函数或进行网络搜索的智能体。但当你尝试将这些模式
扩展到实际应用——研究助手、代码生成系统、多步骤工作流时，就会遇到瓶颈。本文将向
你展示如何通过为复杂场景设计的架构突破这一限制。
解决实际生产环境中的问题
你将学到针对以下实际问题的解决方案：
- 上下文溢出：如何通过基于文件的状态管理处理超出 Token数限制的任务
- 任务规划：如何让智能体进行战略思考，而非被动响应
- 质量控制：如何通过子智能体委托构建自我审查系统
- 记忆管理：如何在长期项目中跨会话维护状态
- 模块化：如何将复杂智能体拆分为专注且易于维护的组件
完整可运行的实现方案
这不是伪代码或理论概念。你将获得：
- 生产级研究智能体的完整源代码
- 每个组件的分步解析
- 结合上下文的设计决策说明
- 多 LLM 提供商选项（OpenAI、Gemini、Anthropic）
- 包含所有依赖的可直接运行的 Jupyter 笔记本
- 专业提示词工程示例
学习可复用的模式
本文展示的模式远不止适用于政策研究：
- 带审查工作流的内容创作系统
- 带测试和优化的代码生成
- 迭代式探索的数据分析
- 带升级机制和专业化分工的客户服务
- 含研究和整合的报告生成
架构师之道
11
- 任何需要规划和质量控制的多阶段工作流
理解设计决策背后的逻辑
每个部分不仅会解释代码的功能，还会说明为何要这样设计：
- 为什么文件系统能防止上下文溢出
- 为什么子智能体能提升专注度和质量
- 为什么自定义提示词对复杂任务至关重要
- 为什么规划工具能支持战略执行
- 为什么这种架构在基础智能体失败的场景中依然能扩展
紧跟 AI 智能体的发展趋势
AI 智能体领域正从简单的工具调用快速演进到复杂的、具备规划能力的系统。
DeepAgents 代表了这一演进的前沿，融合了来自生产系统（如 Claude Code）的实践经
验。理解这种架构能让你为该领域的未来发展做好准备。
实际业务价值
这些技术具有直接的业务应用场景：
- 自动化研究和分析工作流
- 构建智能内容创作流水线
- 创建自我优化的代码生成系统
- 开发复杂的客户支持智能体
- 实现复杂决策系统
无论你是构建生产级 AI 系统的开发者、探索智能体架构的研究者，还是评估 AI 能力的
技术负责人，本指南都能提供你可立即应用的实用知识。
5 设计思路
架构设计理念
当我着手构建这个政策研究智能体时，核心问题是：如何创建一个具备战略思考能力，
而非仅能被动响应的 AI 系统？传统智能体按线性方式处理任务——接收输入、调用工具、
返回输出。但复杂的研究工作需要更高级的能力：规划、委托、迭代和质量控制。
架构师之道
12
DeepAgents 架构通过四个相互关联的能力解决了这一问题，共同支撑起复杂的智能行为：
战略规划层
问题：基础智能体会直接投入行动，而不考虑最优方案。它们无法将复杂任务分解为子
任务，也无法跟踪多步骤的进度。
解决方案：DeepAgents 提供的 write_todos 工具，让智能体能够：
- 将大型研究问题分解为具体的子任务
- 在开始工作前创建可执行的检查清单
- 跟踪已完成和未完成的步骤
- 随着新信息的出现动态调整计划
在我们的实现中：主智能体首先将研究问题保存到 ，然后创建一个任务清
单，概述研究工作流。这一规划步骤将被动执行转变为战略协调。
持久化上下文管理
问题：LLM 存在 Token数限制。复杂任务会产生大量中间数据——研究结果、草稿内
容、笔记——这些数据很快会超出上下文窗口。一旦发生这种情况，智能体就会忘记之前的
工作。
解决方案：DeepAgents 集成了文件系统操作（read_file、write_file、edit_file、ls），
允许智能体：
- 将中间结果存储在对话上下文之外
- 在需要时检索特定信息
- 逐步构建复杂输出
- 在多个会话中继续工作
在我们的实现中：智能体使用三个关键文件：
- ：存储原始研究查询，供随时参考
- ：保存不断演进的研究报告，包含草稿和修订版本
- 文件系统中的工作记忆：即使进行大量研究，也能防止上下文溢出
这种基于文件的方法意味着智能体可以处理任何规模的研究项目，而不会受到 Token数限
制的影响。
架构师之道
13
专业子智能体委托
问题：试图让一个智能体完成所有工作，会导致上下文臃肿、职责不清和输出质量下
降。研究和评审需要不同的技能，收集信息与整合信息也截然不同。
解决方案：DeepAgents 允许通过 task 工具创建专注的子智能体。每个子智能体都具备：
- 自己的专业系统提示词，明确界定职责范围
- 与其功能相匹配的专用工具
- 独立的上下文，不会干扰主智能体
- 明确的输出格式，可直接反馈给主智能体
在我们的实现中：我们使用两个子智能体：
政策研究(Research)子智能体
• 用途：通过网络搜索进行深入调查
• 工具：Tavily API 提供的互联网搜索
• 指令：查找关键更新、引用来源、比较全球方案、专业撰写
• 输出：全面的研究结果，反馈给主智能体
政策评审(Critique)子智能体
• 用途：质量控制和编辑评审
• 工具：文件读取功能，用于访问草稿报告
• 指令：检查准确性、验证引用、评估平衡性和语气
• 输出：建设性反馈，不直接修改原文
这种职责分离意味着每个子智能体都能专注于自己的专业领域，不受其他任务干扰。
智能工作流协调
问题：谁来协调所有这些组件？主智能体如何知道何时委托任务、何时撰写内容、何时
修订？
解决方案：一个精心设计的自定义系统提示词，作为整个系统的“大脑”。这个提示词：
- 分步定义整体工作流
架构师之道
14
- 指定调用每个子智能体的时机
- 执行质量标准和格式要求
- 提供关于智能体角色和能力的上下文
在我们的实现中：policy_research_instructions 提示词定义了清晰的五步工作流：
1. 保存问题：将用户查询写入 供参考
2. 委托研究：调用政策研究子智能体收集全面信息
3. 整合报告：将研究结果写入 ，确保结构合理、引用规范
4. 质量评审：可选调用政策评审子智能体进行编辑反馈
5. 最终定稿：根据反馈修订，输出完整的专业报告
提示词还明确了质量标准：
- 使用 Markdown 格式，包含清晰的章节标题
- 引用格式采用 [标题](URL) 样式
- 语气专业、中立，适合政策简报
- 文末包含“来源”章节
完整工作流程
当用户提出问题：“欧盟 AI 法案的最新动态及其全球影响是什么？”时，整个系统的工
作流程如下：
用户查询
↓
主 Deep 智能体
↓
1. 将问题保存到 （上下文管理）
↓
2. 创建任务清单（规划）
↓
3. 调用政策研究子智能体
↓
研究子智能体：
- 使用 Tavily 搜索欧盟 AI 法案最新动态
- 查找相关法规、新闻和分析
- 比较全球各地的应对方案
- 专业格式化研究结果
- 将全面的研究报告反馈给主智能体
↓
4. 主智能体将草稿写入
架构师之道
15
↓
5. 调用政策评审子智能体
↓
评审子智能体：
- 读取
- 检查准确性和引用规范
- 验证分析的平衡性
- 向主智能体提供建设性反馈
↓
6. 主智能体根据反馈修订草稿
↓
7. 输出最终的专业政策报告
该架构具备可扩展性的原因
这个设计通过以下方式应对复杂性：
- 模块化：每个组件都有单一明确的职责
- 可扩展性：轻松添加新的子智能体以支持不同研究领域
- 稳健性：文件系统确保无论任务规模多大，都不会出现上下文溢出
- 高质量：内置的评审循环保证了专业级输出
- 灵活性：适用于任何 LLM 提供商（OpenAI、Gemini、Anthropic 等）
- 可维护性：协调、执行和评审功能明确分离
与在复杂任务面前崩溃的基础智能体不同，这个架构在任务越复杂时表现越好。规划层确
保战略执行，文件系统防止记忆问题，子智能体保持专注，工作流协调让所有组件有序配合。
这正是浅层智能体和深度智能体的根本区别：深度智能体具备思考、规划、委托和迭代的
能力，而不仅仅是被动响应。
6 动手实践
现在，让我们一步步构建这个系统，理解每个组件的功能和重要性。
步骤 1：安装依赖并配置环境
首先，我们需要安装支撑深度智能体（DeepAgents）系统的核心库，这些库提供了智能
体构建、网络搜索、多 LLM集成等关键能力。
# 安装核心依赖库
!pip install deepagents tavily-python langchain-google-genai langchain-openai
架构师之道
16
依赖说明：
• deepagents：LangChain的深度智能体核心库，提供规划工具、文件操作、
子智能体管理等核心功能
• tavily-python：Tavily网络搜索 API的 Python客户端，为智能体提供实时
信息获取能力
• langchain-google-genai：LangChain与 Google Gemini模型的集成接口
• langchain-openai：LangChain与 OpenAI模型（如 GPT-4o）的集成接口
步骤 2：配置 API密钥
为了使用网络搜索和 LLM服务，我们需要配置对应的 API密钥。使用 getpass可以安全
地输入密钥，避免明文存储。
import os
from getpass import getpass
# 配置 Tavily搜索 API密钥（必需，用于网络搜索功能）
['TAVILY_API_KEY'] = getpass('请输入 Tavily API密钥：')
# 配置首选 LLM提供商（此处以 OpenAI为例）
['OPENAI_API_KEY'] = getpass('请输入 OpenAI API密钥：')
# 可选：如果使用 Google Gemini模型，取消下方注释并配置
# ['GOOGLE_API_KEY'] = getpass('请输入 Google API密钥：')
密钥获取渠道：
• Tavily：访问 注册获取
• OpenAI：访问 获取
• Google：通过 Google AI Studio获取
步骤 3：导入核心库
导入构建智能体所需的核心模块，包括类型提示、搜索客户端和智能体创建工具。
架构师之道
17
import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent
# 初始化 Tavily搜索客户端（将在搜索工具中使用）
tavily_client = TavilyClient()
关键库说明：
• ：为函数参数提供严格的类型提示，帮助 LLM理解可用选项
• TavilyClient：封装 Tavily搜索 API的调用逻辑
• create_deep_agent：DeepAgents的核心工厂函数，用于创建深度智能体实
例
步骤 4：定义网络搜索工具
创建一个网络搜索工具函数，供研究子智能体调用以获取实时信息。函数设计遵循清晰
的参数定义和文档说明，帮助 LLM正确使用。
from typing import Literal
def internet_search(
query: str,
max_results: int = 5,
topic: Literal["general", "news", "finance"] = "general",
include_raw_content: bool = False,
):
"""执行网络搜索并返回相关结果。
该工具允许智能体从互联网获取实时信息，支持不同主题类型的搜索。
"""
# 调用 Tavily API执行搜索
search_docs = (
query,
max_results=max_results, # 返回结果数量，默认 5条
include_raw_content=include_raw_content, # 是否包含网页原始内容
topic=topic, # 搜索主题类型，支持 general/news/finance
)
return search_docs
工具设计亮点：
架构师之道
18
• 详细文档字符串：明确工具用途，帮助 LLM判断何时需要调用
• 类型约束：Literal类型限定 topic参数的可选值，避免无效调用
• 合理默认值：5条结果和通用主题适用于大多数研究场景
• 灵活配置：通过 include_raw_content控制是否获取完整网页内容，平衡深度与
效率
步骤 5：创建研究子智能体配置
定义专注于 AI政策研究的子智能体，包括其角色定位、输出要求和可用工具。子智能体
的设计核心是“单一职责”，确保其专注于研究任务。
# 研究子智能体的系统提示词（定义其角色和输出标准）
sub_research_prompt = """
你是一名专业的 AI政策研究员。
负责深入研究与人工智能相关的政府政策、全球法规和伦理框架。
你的回答必须包含：
- 关键更新和趋势分析
- 相关来源和法律文件（如欧盟 AI法案、美国行政命令）
- 相关时的全球方案比较
- 清晰、专业的表述
只有你的最终研究结果会被反馈给主智能体。
"""
# 研究子智能体配置字典
research_sub_agent = {
"name": "policy-research-agent", # 子智能体唯一标识（主智能体调用时使用）
"description": "用于深入研究特定的 AI政策和法规问题。", # 帮助主智能体判断何时
调用
"system_prompt": sub_research_prompt, # 子智能体的行为指令
"tools": [internet_search], # 子智能体可调用的工具列表
}
提示词设计逻辑：
• 明确角色：“专业的 AI政策研究员”为子智能体设定清晰身份，引导其采用专业
视角
架构师之道
19
• 具体要求： bullet点列出必须包含的内容，避免输出空洞或不完整的信息
• 约束条件：“只有最终结果反馈给主智能体”防止中间过程占用上下文空间
步骤 6：创建评审子智能体配置
设计用于评审报告质量的子智能体，其核心职责是检查报告的准确性、引用规范性和平
衡性，不直接修改内容，仅提供反馈。
# 评审子智能体的系统提示词
sub_critique_prompt = """
你是一名政策报告编辑，负责评审 AI治理相关报告。
请检查``中的报告内容和``中的原始问题。
评审重点包括：
- 法律信息的准确性和完整性
- 政策文件引用的规范性
- 地区差异分析的平衡性
- 语气的清晰度和中立性
提供建设性反馈，但不得直接修改报告内容。
"""
# 评审子智能体配置字典
critique_sub_agent = {
"name": "policy-critique-agent", # 子智能体唯一标识
"description": "评审 AI政策研究报告的完整性、清晰度和准确性。", # 功能描述
"system_prompt": sub_critique_prompt, # 行为指令
}
评审子智能体特点：
• 无额外工具：仅需使用 DeepAgents内置的文件读取能力，无需网络搜索
• 明确评审维度：聚焦准确性、引用、平衡性和语气四大核心质量指标
• 反馈边界：“不得直接修改报告”确保主智能体保持对最终输出的控制，评审仅提
供建议
架构师之道
20
步骤 7：设计主智能体系统的提示词
主智能体是整个系统的“大脑”，其系统提示词定义了整体工作流程、质量标准和决策逻
辑。清晰的步骤化指令是确保智能体有序执行的关键。
policy_research_instructions = """
你是一名专业的 AI政策研究分析师。
负责调查全球 AI监管、伦理和治理框架相关问题。
工作流程：
1️⃣ 将用户的问题保存到``文件中
2️⃣ 使用`policy-research-agent`进行深入研究
3️⃣ 将详细报告写入``文件
4️⃣ 可选：请求`policy-critique-agent`评审你的草稿
5️⃣ 必要时进行修订，然后输出最终的综合报告
撰写最终报告时需遵守：
- 使用 Markdown格式，清晰分节（二级标题##）
- 引用格式采用[标题](URL)样式
- 在文末添加### 来源章节，汇总所有引用
- 采用专业、中立的语气，符合政策简报的要求
"""
主提示词核心设计：
• 角色定位：“专业的 AI政策研究分析师”确立主智能体的权威视角和专业标准
o 确定了智能体的高级角色
o 设定了质量与专业水平的期望
o 为决策提供了背景
• 步骤化工作流：1-5的编号步骤为智能体提供了一个清晰的执行计划，帮助其跟
踪进度
o 1.保存问题：创建一个持久的参考点，智能体可以随时查看
o 2.委托给研究子智能体：利用专家收集信息
o 3.撰写报告：将发现的内容综合成一份结构化的文档
架构师之道
21
o 4.获取批评：可选地调用编辑器进行质量审查
o 5.最终化：根据反馈进行修订，并交付结果
o 为什么编号步骤有效：它们为 LLM创建了一个心理模型。智能体知道有
一个顺序，知道下一步是什么，并且可以跟踪进度。
• 格式约束：Markdown结构、引用规范和来源章节要求，确保输出的专业性和可
验证性
o Markdown部分：确保报告结构清晰、易于导航
o 标题引用：使来源可点击且可验证
o Sources部分：集中整理参考文献，便于检查
o 专业语调：适合政策分析领域
• 灵活性：“可选评审”允许智能体根据任务复杂度自主决定是否需要质量检查
为什么这种提示架构有效：
1. 明确的角色：智能体知道自己是谁
2. 明确的工作流程：智能体知道自己要做什么
3. 质量标准：智能体知道如何做好
4. 基于文件的状态：智能体可以处理任何复杂性
5. 委托模型：智能体知道何时寻求帮助
这就是一个有目标地执行策略的智能体与一个毫无目的地徘徊的智能体之间的区别。
步骤 8：创建并运行主深度智能体
使用 create_deep_agent函数整合上述配置，创建完整的深度智能体系统，并测试其对
实际研究问题的响应。
架构师之道
22
from _models import init_chat_model
from deepagents import create_deep_agent
# 使用 OpenAI GPT-4o 初始化模型
model = init_chat_model(model="openai:gpt-4o")
# 备选方案：使用 Google Gemini 模型
# model = init_chat_model(model="google_genai:-flash")
# 创建深度智能体
agent = create_deep_agent(
model=model, # 推理决策的基础 LLM模型
tools=[internet_search], # 主智能体可直接调用的工具（此处为网络搜索）
system_prompt=policy_research_instructions, # 定义工作流程的系统提示词
sub_agents=[research_sub_agent, critique_sub_agent], # 可委托的专业子智能体列表
)
模型初始化
model = init_chat_model(model="openai:gpt-4o")
• init_chat_model 是 LangChain 提供的统一 LLM接口，支持多厂商模型
• 模型格式为 "厂商标识:模型名称"，简洁易记
• 切换模型厂商仅需修改该字符串，无需调整其他代码逻辑
• 若未指定模型，DeepAgents 默认使用 Claude Sonnet
创建深度智能体
agent = create_deep_agent(...)
这一行代码便组装了整个复杂系统，其参数含义如下：
• model：负责推理和决策的核心 LLM模型
• tools：主智能体可直接调用的工具函数（此处为网络搜索）
• system_prompt：我们之前定义的工作流程指令
• sub_agents：可供委托任务的专业子智能体集合
架构师之道
23
create_deep_agent 内部工作机制
1. 搭建规划系统（任务清单管理功能）
2. 配置文件系统工具（读取、写入、编辑、列表查看）
3. 注册子智能体，使其可被主智能体调用
4. 集成我们提供的自定义工具
5. 将所有组件封装为 LangGraph 工作流
6. 连接 LLM模型以执行任务
核心优势
通过这几行代码，我们创建的智能体已具备以下能力：
• 规划并跟踪复杂任务进度
• 通过网络搜索获取实时信息
• 将任务委托给专业子智能体
• 通过文件系统管理持久化状态
• 维持长期记忆
• 执行多步骤工作流
所有复杂的底层逻辑都被 create_deep_agent 抽象封装，开发者无需关注细节。
模型灵活性说明
注意到切换 OpenAI 和 Gemini（或其他厂商模型）有多简单——这是 DeepAgents 刻
意设计的模型无关性架构。无论使用哪种 LLM，整个系统的工作原理保持一致。
步骤 9：调用智能体执行研究查询
query = "欧盟 AI法案的最新动态及其全球影响是什么？"
# 调用智能体，传入用户查询
result = ({"messages": [{"role": "user", "content": query}]})
架构师之道
24
执行过程解析：
调用格式
{"messages": [{"role": "user", "content": query}]}
这是标准的 LangChain 消息格式，智能体将其视为聊天对话进行处理。
幕后的执行流程
1. 主智能体接收查询
o 读取问题：“欧盟 AI法案的最新动态及其全球影响是什么？”
o 参考系统提示词中的编号工作流程
o 决定从步骤 1开始执行
2. 步骤 1：保存问题
o # 智能体调用：write_file(path="", content=query)
o 使用内置文件工具持久化保存问题
o 为后续步骤创建参考依据
3. 步骤 2：委托给研究子智能体
o # 智能体调用：task(agent="policy-research-agent",
o # instruction="Research the EU AI Act updates and global
impact")
o 研究子智能体接收任务指令
o 调用 internet_search("EU AI Act latest updates") 搜索最新动态
o 调用 internet_search("EU AI Act global impact") 搜索全球影响
o 调用 internet_search("AI regulations worldwide comparison") 搜
索全球法规对比
o 整合搜索结果生成综合研究报告
o 将最终研究结果返回给主智能体
架构师之道
25
4. 步骤 3：撰写草稿报告
o # 智能体调用：write_file(path="",
content=research_findings)接收子智能体的研究结果
o 将内容组织为 Markdown格式的章节
o 使用 [标题](URL) 格式添加引用
o 写入文件系统保存草稿
5. 步骤 4：获取编辑评审
o # 智能体调用：task(agent="policy-critique-agent",
o # instruction="Review the draft report for quality")
o 评审子智能体读取 草稿
o 检查内容准确性、引用规范性、平衡性和语气
o 生成建设性反馈意见
o 将评审结果返回给主智能体
6. 步骤 5：修订并定稿
o # 智能体调用：edit_file(path="",
edits=improvements)
o 主智能体整合评审反馈
o 根据意见修订报告章节
o 确保所有质量标准均达标
o 输出最终的综合研究报告
结果结构
result 包含完整的执行轨迹，包括：
• 所有中间执行步骤
• 每个智能体调用的工具记录
架构师之道
26
• 子智能体的调用记录和响应内容
• 最终政策报告
• 文件系统的变更记录
查看输出结果
# 仅获取最终报告内容
print(result['messages'][-1]['content'])
# 或直接读取文件内容
# _file("")
深度智能体与基础智能体的核心差异
• 基础智能体：搜索 → 生成 → 完成（单步骤，无规划）
• 深度智能体：规划 → 委托 → 研究 → 撰写 → 评审 → 修订 → 交付（战略
化，多阶段）
深度智能体能产生更高质量的结果，原因在于：
• 行动前先进行规划
• 为特定任务使用专业子智能体
• 根据反馈进行迭代优化
• 通过文件系统管理复杂性
• 通过子智能体委托保持专注度
这正是 DeepAgents 架构的实践威力所在。
7 环境搭建指南
前置条件
运行本实现前，请确保具备以下条件：
架构师之道
27
Python 环境
• Python 及以上版本
• pip 包管理器
• Jupyter Notebook 或 JupyterLab（推荐用于交互式开发）
API 访问权限
• Tavily API Key： 在 注册账号
• 提供免费 tier 供测试使用
• 网络搜索功能必需
LLM 提供商 API Key（选择任意一个）： OpenAI：从 获取
Google AI：从 Google AI Studio 获取
Anthropic：从 获取
注：若未指定模型，DeepAgents 默认使用 Claude Sonnet
开发环境
• 代码编辑器（VS Code、PyCharm 等）
• 用于 pip 安装的终端访问权限
• 稳定的网络连接（用于 API 调用）
安装步骤
步骤 1：创建虚拟环境（推荐）
# 创建虚拟环境
python -m venv deepagents-env
# 激活环境（Windows系统）
deepagents-env\Scripts\activate
# 激活环境（Mac/Linux系统）
source deepagents-env/bin/activate
架构师之道
28
步骤 2：安装核心依赖
pip install deepagents tavily-python langchain-google-genai langchain-openai
步骤 3：验证安装
# 测试导入是否成功
import deepagents
from tavily import TavilyClient
from _models import init_chat_model
print("✅ 所有依赖安装成功")
步骤 4：配置环境变量
在项目目录中创建 .env 文件：
TAVILY_API_KEY=your_tavily_key_here
OPENAI_API_KEY=your_openai_key_here
# GOOGLE_API_KEY=your_google_key_here # 若使用 Gemini模型则取消注释
或通过代码动态设置：
import os
from getpass import getpass
['TAVILY_API_KEY'] = getpass('请输入 Tavily API Key: ')
['OPENAI_API_KEY'] = getpass('请输入 OpenAI API Key: ')
步骤 5：测试环境搭建
运行以下代码快速验证所有组件是否正常工作：
from tavily import TavilyClient
from _models import init_chat_model
from deepagents import create_deep_agent
# 测试 Tavily连接
client = TavilyClient()
test_search = ("test query", max_results=1)
print("✅ Tavily搜索功能正常")
# 测试模型初始化
model = init_chat_model(model="openai:gpt-4o")
print("✅ LLM连接功能正常")
# 测试 DeepAgents框架
架构师之道
29
simple_agent = create_deep_agent(model=model, tools=[])
print("✅ DeepAgents框架功能正常")
print("\n🎉 环境搭建完成！可以开始构建深度智能体了。")
项目结构
建议按以下结构组织项目：
deepagents-project/
│
├── # 主笔记本（可从 GitHub获取）
├── .env # 存储 API密钥（请勿提交到 git）
├── .gitignore # 忽略.env等敏感文件
├── # 依赖列表
└── # 项目文档
常见搭建问题与解决方案
问题：“ModuleNotFoundError: No module named ‘deepagents’” 解决方案：确保在安装
依赖前已激活虚拟环境
问题：API密钥无效错误 解决方案：仔细检查密钥是否正确，确保无多余空格，验证密钥
处于激活状态
问题：Tavily 或 OpenAI 提示”速率限制超出” 解决方案：查看 API 使用限额，考虑升级
套餐，或添加速率限制逻辑
问题：文件权限错误 解决方案：确保当前工作目录具有写入权限
快速启动检查清单
☐ Python + 已安装
☐ 虚拟环境已创建并激活
☐ 依赖已安装（pip install deepagents tavily-python langchain-google-genai
langchain-openai）
☐ Tavily API密钥已获取并配置
☐ LLM提供商 API密钥已获取并配置
☐ 导入测试成功
架构师之道
30
☐ Tavily搜索测试成功
☐ 模型初始化测试成功
☐ 可运行完整实现代码
后续步骤
环境搭建完成后，你可以：
1. 从 GitHub仓库下载完整代码
2. 逐步运行实现代码
3. 尝试不同的研究查询
4. 修改子智能体提示词以适应不同领域
5. 添加更多专业子智能体扩展功能
8 与自有应用集成
执行完整系统流程
环境配置完成后，让我们启动完整的政策研究工作流。
步骤 1：启动 Jupyter Notebook
jupyter notebook
在 Notebook 界面中找到并打开 文件。
步骤 2：运行初始化单元格
按顺序执行以下功能的单元格：
1. 导入依赖库
2. 配置 API 密钥
3. 定义搜索工具
4. 创建子智能体配置
5. 设置主智能体提示词
架构师之道
31
6. 初始化深度智能体
步骤 3：执行研究查询
运行调用单元格：
# 定义研究查询
query = "欧盟 AI法案的最新动态及其全球影响是什么？"
# 调用智能体并获取结果
result = ({"messages": [{"role": "user", "content": query}]})
执行过程中的输出
智能体会实时输出思考过程和执行动作，示例如下：
思考：我需要系统地研究欧盟 AI法案的最新动态。
动作：write_file
路径：
内容：What are the latest updates on the EU AI Act...
观察：文件创建成功
思考：现在我将研究任务委托给专业子智能体。
动作：task
智能体：policy-research-agent
指令：Research latest EU AI Act updates and global impact
[子智能体开始执行...]
搜索中："EU AI Act 2025 updates"
搜索中："EU AI Act global impact"
搜索中："AI regulations worldwide comparison"
子智能体完成：[返回综合研究结果]
思考：已获取研究数据，现在将其整理为结构化报告。
动作：write_file
路径：
内容：[带引用的结构化 Markdown报告]
观察：报告写入完成
架构师之道
32
思考：为确保质量，我将获取编辑评审反馈。
动作：task
智能体：policy-critique-agent
指令：Review the draft report
[评审子智能体执行...]
子智能体完成：[返回建设性反馈]
思考：根据反馈进行最终修订。
动作：edit_file
路径：
修订内容：[基于评审的改进项]
最终报告完成！
步骤 4：查看结果
通过以下方式访问最终报告：
# 方式 1：从结果对象中提取
final_message = result['messages'][-1]['content']
print(final_message)
# 方式 2：从文件系统读取
report = _file("")
print(report)
# 方式 3：查看所有生成的文件
files = _files()
print("生成的文件：", files)
示例输出结构
最终报告将遵循以下专业格式：
# 欧盟 AI法案的最新动态及其全球影响
## 执行摘要
欧盟 AI法案于[日期]正式通过，是全球首部全面的人工智能监管框架……
## 核心动态
### 监管时间线
架构师之道
33
- 最终文本发布：[日期]
- 实施启动：[日期]
- 全面执行：[日期]
### 核心条款
- 基于风险的分类体系
- 禁止类 AI应用
- 高风险 AI系统要求
- 透明度义务
## 全球影响
### 地区响应
**美国**：美国通过行政命令做出回应……
**中国**：中国的 AI监管重点在于……
**英国**：英国采取了不同的监管路径……
### 国际标准
欧盟 AI法案正通过……影响全球 AI治理格局。
## 行业启示
全球企业正通过……适应这些监管要求。
## 信息来源
- [欧盟 AI法案官方文本]()
- [全球 AI政策追踪平台]()
- [行业分析报告]()
步骤 5：尝试不同查询
测试各类研究问题，验证系统灵活性：
# 示例 1：不同主题
query1 = "各国如何监管医疗领域的人工智能应用？"
result1 = ({"messages": [{"role": "user", "content": query1}]})
# 示例 2：特定对比
query2 = "比较美国、欧盟和中国的 AI伦理框架"
result2 = ({"messages": [{"role": "user", "content": query2}]})
# 示例 3：聚焦具体问题
架构师之道
34
query3 = "欧盟 AI法案下，AI系统需满足哪些关键合规要求？"
result3 = ({"messages": [{"role": "user", "content": query3}]})
步骤 6：检视工作流
查看完整的执行轨迹，分析智能体行为：
# 查看所有执行步骤（截取前 200字符）
for msg in result['messages']:
role = ('role', 'system')
content = ('content', '')[:200]
print(f"\n[{role}]：{content}...")
# 统计工具调用次数
tool_calls = [msg for msg in result['messages'] if ('tool_calls')]
print(f"\n工具调用总数：{len(tool_calls)}")
# 统计子智能体调用次数
sub_agent_calls = [call for call in tool_calls if 'task' in str(call)]
print(f"子智能体调用次数：{len(sub_agent_calls)}")
性能指标监控
跟踪智能体执行效率：
import time
# 记录执行时间
start_time = ()
result = ({"messages": [{"role": "user", "content": query}]})
end_time = ()
execution_time = end_time
- start_time
print(f"⏱️ 总执行时间：{execution_time:.2f} 秒")
# 查看令牌使用情况（因 LLM提供商而异）
if 'usage' in result:
print(f"🎫 令牌使用量：{result['usage']}")
调试技巧
遇到问题时的排查方法：
架构师之道
35
1. 验证 API密钥
print("Tavily密钥：", "✅" if ('TAVILY_API_KEY') else "❌")
print("OpenAI密钥：", "✅" if ('OPENAI_API_KEY') else "❌")
2. 单独测试组件
# 测试搜索功能
test_result = internet_search("测试查询", max_results=1)
print("搜索功能正常：", "✅" if test_result else "❌")
# 测试模型连接
test_response = ([{"role": "user", "content": "你好"}])
print("模型功能正常：", "✅" if test_response else "❌")
3. 启用详细日志
import logging
(level=)
4. 检查文件系统
# 列出智能体创建的所有文件
files = _files()
print("创建的文件：", files)
# 读取文件内容调试
content = _file("")
print("问题文件内容：", content)
预期行为
• 执行时间：30-90秒（取决于查询复杂度）
• 子智能体调用：通常 2次（研究+评审）
• 文件操作：3-5次（写入问题、写入报告、修订报告等）
• 搜索查询：3-7次（根据研究深度调整）
成功指标
智能体完成所有工作流步骤
最终报告为结构清晰的 Markdown格式
信息来源引用规范
报告准确回应原始问题
架构师之道
36
全程保持专业语气
无错误或崩溃
后续实验方向
系统运行稳定后，可尝试：
1. 修改子智能体提示词，适配不同领域（科技、金融、医疗等）
2. 添加更多子智能体（事实核查员、摘要生成器、翻译工具等）
3. 调整搜索参数（更多结果、不同主题类型）
4. 测试不同 LLM模型（对比 GPT-4、Gemini、Claude的表现）
5. 集成自有数据源或 API
9 总结思考
我们刚刚构建了一个非凡的系统：这个 AI智能体不仅能响应查询，还能进行战略思考、
委托专业任务、管理复杂状态，并通过迭代优化产出高质量结果。这不是 AI智能体的未来—
—而是借助 LangChain DeepAgents，现在就能实现的能力。
我们的成果
通过本实战指南，你学会了：
- 将基础的工具调用智能体升级为复杂的规划系统
- 利用基于文件的上下文管理，处理任意复杂度的任务
- 设计并协调专业子智能体，实现聚焦执行
- 通过自动化评审工作流，实现迭代式质量控制
- 构建可与人类分析相媲美的生产级研究系统
我们打造的政策研究智能体所展示的模式，远超出了特定应用场景。无论你在构建代码生
成系统、内容创作流水线、数据分析工作流还是客户服务自动化工具，核心原则都是一致的：
战略规划、智能委托、持久化状态管理和质量迭代优化。
深层意义
从浅层智能体到深度智能体的演进，标志着 AI系统构建方式的根本性转变。我们正从执
行单个任务的工具，迈向协调复杂工作流的系统。关键洞察在于：智能不仅源于强大的模
型，更源于精心设计的架构——规划层、记忆系统、委托模式和质量控制机制。
架构师之道
37
DeepAgents正是这一理念的体现。通过内置规划工具、文件系统访问、子智能体创建和长
期记忆功能，它为开发者提供了构建高度复杂 AI系统的基础组件，无需重复开发底层架构。
AI智能体的未来趋势
发展轨迹已十分清晰：智能体正变得更强大、更模块化、更专业化。我们正迈向这样的
生态系统：
- 智能体集群 协作解决复杂问题，各自发挥专业优势
- 持久化记忆 让智能体能够在数天、数周或数月的工作中保持上下文
- 自我改进循环 使智能体能够从反馈中学习，优化自身提示词
- 多模态能力 无缝整合文本、代码、图像和数据
- 人机协作 达到新高度，智能体成为真正的思考伙伴
你在这里学到的基础——规划、委托、状态管理、质量控制——将随着这些能力的演进而
持续发挥价值。
实践后续步骤
接下来可以从哪里入手？
即时实验
1. 将此架构适配到自有领域（将政策研究替换为技术分析、财务报告或医学文
献综述）
2. 添加更多专业子智能体（事实核查员、翻译、数据分析师等）
3. 集成自有数据源、数据库或 API
4. 测试不同 LLM模型，寻找性能与成本的最佳平衡
5. 建立质量指标，长期跟踪智能体表现
生产环境考量
• 实现完善的错误处理和重试逻辑
• 为生产部署添加监控和日志系统
架构师之道
38
• 构建评估框架，评估智能体输出质量
• 考虑成本优化策略（缓存、为子智能体使用轻量模型）
• 为关键决策设计人机协同工作流
深入学习资源
• 探索 DeepAgents GitHub 仓库的高级示例
• 学习 LangGraph 文档中的状态管理模式
• 加入 LangChain 社区，向其他实践者学习
• 体验 Claude Code 和 Deep Research，观察这些模式的规模化应用
全局视角
这项技术最令人兴奋的，不仅是它今天能实现的功能，更是它为未来赋能的可能性。随
着智能体日益强大，构建智能系统的门槛不断降低。曾经需要专业团队才能完成的复杂工作
流，现在通过精心设计的智能体系统就能实现。
AI能力的普及意味着：
- 小团队也能打造出曾经需要大型组织才能开发的产品
- 个人可以借助 AI放大自身专业能力和生产力
- 新类别的应用成为可能
- 重心从 AI实现转向 AI协同
我们正进入一个新时代：核心技能不再是从零编写每一个算法，而是懂得如何用智能组件
构建强大的系统。
最终寄语
你今天构建的智能体不仅仅是一个研究工具——它是构建智能系统的通用模式。规划
层、委托模型、上下文管理、质量控制——这些并非政策研究专属，而是任何复杂 AI工作流
的基础架构原则。
当你将这些模式应用到自己的项目中时，请记住：目标不是取代人类智能，而是增强它。
最优秀的 AI系统，能够战略性地处理复杂问题、持久化维护上下文、高效利用专业分工，并
持续迭代追求高质量结果。
这正是 DeepAgents 所赋能的能力，也是你现在已经掌握的技能。
架构师之道
39
AI的未来不仅取决于更智能的模型，更取决于更智能的架构。而你，已经具备了构建这种
架构的能力。
10 想要深入探索？
• 完整代码：
Included/blob/main/AI%20Agents%20Codes/
• DeepAgents 文档：
• LangChain 社区：
分享你的成果：我很期待看到你用 DeepAgents 构建的作品。在社交媒体上标记你的项
目，或在 LangChain 社区中分享你的实践！
用LangChain DeepAgents开发高级AI智能体实战手册
摘要
0 引言
1 DeepAgents基础
典型应用场景
DeepAgents核心能力体系
技术实现与生态定位
三层技术架构
技术栈集成
应用场景与选型指南
小结
2 本文核心内容
我们将要构建的系统
你将学到的关键知识（来自我的经验与教训）
技术架构（我的设计思路）
第一层：主协调器
第二层：专业子智能体
第三层：基础设施
该模式的核心价值
3 技术栈
4 为什么值得一读？
超越基础智能体
解决实际生产环境中的问题
完整可运行的实现方案
学习可复用的模式
理解设计决策背后的逻辑
紧跟 AI 智能体的发展趋势
实际业务价值
5 设计思路
架构设计理念
战略规划层
持久化上下文管理
专业子智能体委托
政策研究(Research)子智能体
政策评审(Critique)子智能体
智能工作流协调
完整工作流程
该架构具备可扩展性的原因
6 动手实践
步骤1：安装依赖并配置环境
步骤2：配置API密钥
步骤3：导入核心库
步骤4：定义网络搜索工具
步骤5：创建研究子智能体配置
步骤6：创建评审子智能体配置
步骤7：设计主智能体系统的提示词
步骤8：创建并运行主深度智能体
模型初始化
创建深度智能体
create_deep_agent 内部工作机制
核心优势
模型灵活性说明
步骤9：调用智能体执行研究查询
调用格式
幕后的执行流程
结果结构
查看输出结果
深度智能体与基础智能体的核心差异
7 环境搭建指南
前置条件
Python 环境
API 访问权限
开发环境
安装步骤
步骤1：创建虚拟环境（推荐）
步骤2：安装核心依赖
步骤3：验证安装
步骤4：配置环境变量
步骤5：测试环境搭建
项目结构
常见搭建问题与解决方案
快速启动检查清单
后续步骤
8 与自有应用集成
执行完整系统流程
步骤1：启动 Jupyter Notebook
步骤2：运行初始化单元格
步骤3：执行研究查询
执行过程中的输出
步骤4：查看结果
示例输出结构
步骤5：尝试不同查询
步骤6：检视工作流
性能指标监控
调试技巧
1. 验证API密钥
2. 单独测试组件
3. 启用详细日志
4. 检查文件系统
预期行为
成功指标
后续实验方向
9 总结思考
我们的成果
深层意义
AI智能体的未来趋势
实践后续步骤
即时实验
生产环境考量
深入学习资源
全局视角
最终寄语
10 想要深入探索？
