跳到主要内容

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。

本指南将引导您创建一个具备规划、文件系统工具和子智能体（subagent）功能的 Deep Agent。您将构建一个能够进行研究并撰写报告的研究智能体。
正在使用 AI 编程助手？

​
先决条件

在开始之前，请确保您拥有来自模型提供商（例如 Gemini、Anthropic、OpenAI）的 API 密钥。
Deep Agents 需要一个支持 工具调用 (tool calling) 的模型。请参阅 自定义 部分了解如何配置您的模型。

​
第一步：安装依赖

pip install deepagents tavily-python
本指南使用 Tavily 作为示例搜索提供商，但您可以替换为任何搜索 API（例如 DuckDuckGo、SerpAPI、Brave Search）。

​
第二步：设置您的 API 密钥

export GOOGLE_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

​
第三步：创建搜索工具

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

​
第四步：创建 Deep Agent

# System prompt to steer the agent to be an expert researcher
research_instructions = """You are an expert researcher. Your job is to conduct thorough research and then write a polished report.

You have access to an internet search tool as your primary means of gathering information.

## `internet_search`

Use this to run an internet search for a given query. You can specify the max number of results to return, the topic, and whether raw content should be included.
"""
以 provider:model 格式传入 model 字符串，或者传入一个已初始化的模型实例。请查看所有提供商的 支持模型列表 以及经过测试的 推荐模型。 
agent = create_deep_agent(
    model="google_genai:gemini-3.1-pro-preview",
    tools=[internet_search],
    system_prompt=research_instructions,
)

​
第五步：运行 Agent

result = agent.invoke({"messages": [{"role": "user", "content": "What is langgraph?"}]})

# Print the agent's response
print(result["messages"][-1].content)

​
它是如何工作的？

您的 Deep Agent 会自动执行以下操作：
  1. 规划其方法：使用内置的 write_todos 工具来拆解研究任务。
  2. 进行研究：通过调用 internet_search 工具来收集信息。
  3. 管理上下文：使用文件系统工具（write_file, read_file）来卸载大型搜索结果。
  4. 生成子智能体：根据需要将复杂的子任务委派给专门的子智能体。
  5. 合成报告：将研究发现汇总为连贯的报告。

​
示例

有关您可以使用 Deep Agents 构建的智能体、模式和应用程序，请参阅 示例。

​
流式处理

Deep Agents 使用 LangGraph 内置了 流式传输 (streaming) 功能，可实现智能体执行过程的实时更新。这使您可以逐步观察输出，并检查和调试智能体及子智能体的工作，例如工具调用、工具结果和 LLM 响应。

​
后续步骤

现在您已经构建了第一个 Deep Agent
  • 自定义您的智能体：了解 自定义选项，包括自定义系统提示词、工具和子智能体。
  • 添加长期记忆：在对话中启用 持久化记忆。
  • 部署到生产环境：了解 Deep Agents 的 部署选项。
将这些文档连接到 Claude、VSCode 等，以获得实时答案。
在 GitHub 上编辑此页面 或 提交问题。
© . This site is unofficial and not affiliated with LangChain, Inc.