使用 CLI 部署

文档索引

在以下地址获取完整的文档索引：https://docs.langchain.org.cn/llms.txt

在进一步探索之前，请使用此文件发现所有可用页面。

• 开源载体：MIT 许可，支持 Python 和 TypeScript
• AGENTS.md：智能体指令的开放标准
• 智能体技能 (Agent Skills)：智能体知识和行动的开放标准
• 任何模型，任何沙箱：无供应商锁定
• 开放协议：MCP、A2A、Agent Protocol
• 可自托管：LangSmith 部署可以自托管，以便记忆保留在您的基础架构中

​

与 Claude 托管智能体对比

​

你正在部署的内容

​

安装

uv tool install deepagents-cli

​

用法

deepagents init [name] [--force]                                             # scaffold a new project
deepagents dev  [--config deepagents.toml] [--port 2024] [--allow-blocking]  # bundle and run locally
deepagents deploy [--config deepagents.toml] [--dry-run]                     # bundle and deploy

deepagents deploy --config path/to/deepagents.toml

​

deepagents init

deepagents init my-agent

​

项目布局

my-agent/
├── deepagents.toml
├── AGENTS.md
├── .env
├── mcp.json
├── skills/
│   ├── code-review/
│   │   └── SKILL.md
│   └── data-analysis/
│       └── SKILL.md
├── subagents/
│   └── researcher/
│       ├── deepagents.toml
│       └── AGENTS.md
└── user/
    └── AGENTS.md

​

配置文件

​

[agent]

[agent]
name = "research-assistant"
model = "google_genai:gemini-3.1-pro-preview"

• 技能：打包工具递归扫描 skills/，跳过隐藏的点文件，并打包其余部分。
• 用户记忆：如果 user/ 存在，单个 AGENTS.md 将作为每用户记忆打包（如果存在 user/AGENTS.md 则使用它，否则为空）。在运行时，每个用户都有自己的副本（首次访问时生成，永不覆盖）。智能体可以读取和写入此文件。
• 子智能体：如果 subagents/ 存在，打包工具将扫描有效的子目录（每个子目录必须包含 deepagents.toml 和 AGENTS.md）。主智能体接收一个 task 工具，用于按名称向每个子智能体委派工作。请参阅 子智能体。
• MCP 服务器：如果 mcp.json 存在，它将包含在部署中，并且 langchain-mcp-adapters 将作为依赖项添加。仅支持 HTTP/SSE 传输方式（stdio 在打包时会被拒绝）。
• 模型依赖项：model 字段中的 provider: 前缀决定了所需的 langchain-* 包（例如，google_genai -> langchain-google-genai）。这包括在子智能体配置中指定的模型。
• 沙箱依赖项：[sandbox].provider 值映射到其合作伙伴包（例如，daytona -> langchain-daytona）。

​

[sandbox]

• "thread" (默认)：每个对话都有自己的沙箱。不同的线程获得不同的沙箱，但同一线程在多轮对话中重复使用其沙箱。当每个对话都应从干净的环境开始时使用此项。
• "assistant"：所有对话共享一个沙箱。文件、安装的包和其他状态在对话之间持久存在。当智能体维护一个长期存在的工作区（如克隆的仓库）时使用此项。

​

[auth]

[agent]
name = "my-agent"
model = "google-genai:gemini-3.1-pro-preview"

[auth]
provider = "supabase"   # supabase | clerk | anonymous

• 未经身份验证的请求返回 401。
• 成功后，经过身份验证的用户身份将注入到 config.configurable.langgraph_auth_user_id 中。
• 所有资源（线程、运行、存储）都会通过 metadata.owner 自动按用户划分作用域。
• LangSmith Studio 在本地开发时绕过身份验证。

​

[frontend]

[agent]
name = "my-agent"
model = "anthropic:claude-sonnet-4-6"

[auth]
provider = "supabase"   # or "clerk"

[frontend]
enabled = true
app_name = "My Agent"
subtitle = "Your AI research assistant"
prompts = [
  "Summarize this paper",
  "Find related work",
  "Draft an outline",
]

• Clerk ([auth] provider = "clerk") — 每用户真实身份验证。每个用户登录后，线程和记忆按用户划分范围。
• Supabase ([auth] provider = "supabase") — 每用户真实身份验证。与 Clerk 相同的按用户划分范围。
• Anonymous ([auth] provider = "anonymous") — 打包工具会附带一个宽容的身份验证处理器，覆盖 LangSmith 部署默认的 x-api-key 要求，以便前端可以访问 /threads，这意味着任何拥有部署 URL 的人都可以调用 API。前端为每个浏览器分配一个 UUID cookie，并以此过滤线程选择器（仅为 UX 层面的划分，非安全性）。CLI 在推送之前需要交互式的 y/N 确认。

• 与智能体进行流式聊天
• 带有从第一条用户消息自动生成标题的线程选择器
• 反映您的 Deep Agent 实时图状态的实时待办事项、文件和子智能体活动面板
• 亮/暗主题切换，首次加载遵循操作系统偏好并在此后持久保存
• （仅限 Clerk / Supabase）登录 / 注册 / 注销流程 —— Clerk 提供其完整的小部件（社交登录、重置密码）；Supabase 提供内置重置密码流程的电子邮件/密码登录

• Clerk： 控制面板 → 您的应用 → Domains → 添加您的部署主机（例如 clerk-abc.us.langgraph.app）。Clerk 开发实例会自动将 localhost 列入白名单；生产部署 URL 需要显式列入白名单。
• Supabase： 控制面板 → Authentication → URL Configuration → 在 Redirect URLs 中添加 https://<your-deployment>/app/**。如果没有此设置，密码重定向和电子邮件确认链接将无法路由回您的应用。

​

.env

# Required — model provider keys
ANTHROPIC_API_KEY=sk-...
OPENAI_API_KEY=sk-...
# ...etc.

# Required for deploy and LangSmith sandbox
LANGSMITH_API_KEY=lsv2_...

# Optional — sandbox provider keys
DAYTONA_API_KEY=...
MODAL_TOKEN_ID=...
MODAL_TOKEN_SECRET=...
RUNLOOP_API_KEY=...

# Required if [auth] provider = "supabase"
SUPABASE_URL=https://your-project.supabase.co
SUPABASE_PUBLISHABLE_DEFAULT_KEY=eyJhbGc...

# Required if [auth] provider = "clerk"
CLERK_SECRET_KEY=sk_test_...

# Required if [frontend].enabled = true AND [auth] provider = "clerk"
CLERK_PUBLISHABLE_KEY=pk_test_...

​

身份验证

• [auth] provider = "supabase" 或 "clerk" — 每用户真实身份验证。在 Authorization 标头中传递来自身份验证提供商的用户令牌。
• [auth] provider = "anonymous" — 打包工具提供宽容的身份验证处理器。API 对任何拥有部署 URL 的人开放。不需要标头。（在发布不带真实每用户认证的 [frontend] 时需要。）
• 无 [auth] 部分 — 部署将回退到 LangSmith 部署默认的 x-api-key 要求。在 x-api-key 标头中传递您的 LangSmith API 密钥。仅当 [frontend].enabled 为 false 或未设置时有效。

curl -X POST https://your-deployment-url/threads \
  -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"metadata": {}}'

from langgraph_sdk import get_client

client = get_client(
    url="https://your-deployment-url",
    headers={"Authorization": "Bearer YOUR_ACCESS_TOKEN"},
)

thread = await client.threads.create()

​

沙箱提供商

​

部署端点

• MCP：将您的智能体作为工具从其他智能体调用
• A2A：通过 A2A 协议进行多智能体编排
• Agent Protocol：构建 UI 的标准 API
• 人机回环 (Human-in-the-loop)：敏感操作的审批门控
• 记忆：短期和长期记忆访问

​

示例

[agent]
name = "deepagents-deploy-content-writer"
model = "google_genai:gemini-3.1-pro-preview"

my-content-writer/
├── deepagents.toml
├── AGENTS.md
├── skills/
│   ├── blog-post/SKILL.md
│   └── social-media/SKILL.md
└── user/
    └── AGENTS.md          # writable — agent learns user preferences

[agent]
name = "deepagents-deploy-coding-agent"
model = "google_genai:gemini-3.1-pro-preview"

[sandbox]
provider = "langsmith"
template = "coding-agent"
image = "python:3.12"

my-gtm-agent/
├── deepagents.toml
├── AGENTS.md
├── skills/
│   └── competitor-analysis/
│       └── SKILL.md
└── subagents/
    └── market-researcher/
        ├── deepagents.toml
        ├── AGENTS.md
        └── skills/
            └── analyze-market/
                └── SKILL.md

[agent]
name = "internal-demo"
model = "anthropic:claude-sonnet-4-6"

[auth]
provider = "anonymous"   # API open to anyone with the URL — confirm at deploy time

[frontend]
enabled = true

​

用户记忆

user/
└── AGENTS.md          # optional — seeded as empty if not provided

​

工作原理

1. 打包时 — 打包工具读取 user/AGENTS.md（或使用空字符串）并将其包含在种子有效负载中。
2. 运行时（首次访问） — 当智能体第一次看到某个 user_id 时，它会将 AGENTS.md 模板写入该用户命名空间下的存储。现有条目绝不会被覆盖。
3. 预加载 — 用户 AGENTS.md 被传递给记忆中间件，因此智能体在每次对话开始时都能在上下文中看到其内容。
4. 可写 — 智能体可以使用 edit_file 工具对其进行更新。共享的 AGENTS.md 文件和技能文件夹是只读的。

​

权限

​

用户身份

​

子代理

​

目录结构

my-agent/
├── deepagents.toml
├── AGENTS.md
└── subagents/
    ├── researcher/
    │   ├── deepagents.toml       # name, description, optional model override
    │   ├── AGENTS.md             # subagent system prompt
    │   ├── skills/               # optional — subagent-specific skills
    │   │   └── analyze-market/
    │   │       └── SKILL.md
    │   └── mcp.json              # optional — HTTP/SSE MCP tools
    └── writer/
        ├── deepagents.toml
        └── AGENTS.md

​

子智能体配置

[agent]
name = "researcher"
description = "Researches market trends, competitors, and target audiences"
model = "google_genai:gemini-3.1-pro-preview"

​

继承

​

记忆隔离

​

示例

[agent]
name = "gtm-strategist"
model = "google_genai:gemini-3.1-pro-preview"

[agent]
name = "researcher"
description = "Researches market trends, competitors, and target audiences to inform GTM strategy"
model = "google_genai:gemini-3.1-pro-preview"

# Market Researcher

You are a market research specialist. Your job is to gather and synthesize
market data to support go-to-market decisions.

## Focus Areas
- Market sizing: TAM, SAM, SOM estimates
- Competitor analysis: product positioning, pricing, market share
- Audience segmentation: demographics, psychographics, buying behavior

​

限制

• MCP: 仅限 HTTP/SSE。 Stdio 传输方式在打包时会被拒绝。
• 不支持自定义 Python 工具。 使用 MCP 服务器来公开自定义工具逻辑。