DeepAgents是LangChain 1.0新架构下的智能体框架，结合DeepSeek-v3.2可构建企业级AI系统。它通过插件式后端实现数据持久化，整合规划工具、文件系统、子代理和系统提示四大核心机制，使开发者能通过简单API处理复杂多步骤任务，让AI开发变得简单高效。
曾经火爆一时、激活码炒到天价的 Manus，现在只需要几十行代码就能在你的电脑上复刻，你敢信吗？
没错，这就是 LangChain 1.0 最新架构下的 DeepAgents 框架能带来的降维打击。伴随着国产之光 DeepSeek-v3.2 模型的发布，咱们@木羽Cheny 老师第一时间深度评测了它结合 DeepAgents 搭建复杂智能体系统的表现。结果非常惊喜：响应极快、逻辑缜密，而且非常省钱，完全具备了企业级落地的能力！
无论是需要查阅数百篇文献的全自动市场调研与研报生成，还是涉及几十个文件读写的自动化代码重构，甚至是企业内部复杂的业务流程智能编排，它都能轻松搞定。
这套系统的项目源码➕图文课件➕讲解视频已经整理好啦，伙伴们扫描下方二维码即可领取～
01 DeepAgents 是什么？
DeepAgents的核心定位就是：用于构建能够处理复杂、多步骤任务的智能体框架。根据官方的说明，它的设计灵感就来自于像 Claude Code、Deep Research 和 Manus 这样的应用。
同时，随着推理类大模型的性能提升以及 MCP 协议的普及，LangChain 对 deepagents 进行一次彻底的架构升级，以适应更复杂的企业级需求，并于 2025 年 10 月 28 日，LangChain 官方博客发布了题为《Doubling down on deepagents》的重磅文章，正式推出 v0.2 版本 。
这次升级的核心在于引入了插件式后端。在此之前，代理的“记忆”和“文件”仅存在于 LangGraph 的状态（State）中，一旦会话结束或系统崩溃，数据即告丢失。v0.2 版本打破了这一限制，允许开发者将后端映射到真实的本地磁盘、S3 云存储或任何自定义的数据库中。这一变革使得 DeepAgents 从一个单纯的对话机器人，进化为一个能够真正操作物理世界数据、具有持久化生命周期的“数字员工” 。
根据官方的说明， DeepAgents 非常适用于以下情况：
- 处理需要计划和分解的复杂、多步骤任务；
- 通过文件系统工具管理大量上下文信息；
- 将工作委派给专门的子代理以实现上下文隔离；
- 在对话和主题之间保持记忆；
当然这个描述相对来说比较抽象，因此我们这里对适用于DeepAgents的场景进行一个总结：
技术架构虽然复杂，但是使用起来非常简单，只需要定义好代理的规划和执行流程，然后调用 DeepAgents 的 API 即可。如下伪代码所示：
import os from deepagents import create_deep_agent from tavily import TavilyClient # 1. 定义工具 tavily_client = TavilyClient(api_key=os.environ) def internet_search(query: str): """运行网络搜索""" return tavily_client.search(query) # 2. 定义系统提示词 # 注意：不需要手动添加关于 TodoList 或文件系统的指令，中间件会自动注入 system_prompt = """ 你是一个专家级的研究助理。你的任务是进行彻底的调研并撰写报告。 请充分利用你的规划能力和文件系统来管理你的工作。 """ # 3. 创建代理 # create_deep_agent 会自动装配 TodoListMiddleware, FilesystemMiddleware 等 agent = create_deep_agent( model="anthropic:claude-3-5-sonnet-latest", tools=[internet_search], system_prompt=system_prompt, ) # 4. 运行代理 # 代理现在是一个编译好的 LangGraph StateGraph result = agent.invoke({ "messages": [{"role": "user", "content": "详细调研 LangChain 的最新发展并写一份总结。"}] })DeepAgents 不仅是一个软件库，更代表了一种全新的软件范式，它标志着代理构建方式的根本转变：从简单的循环脚本转向基于复杂的代理线束架构。这是一种高度标准化的基础设施，旨在为大语言模型提供执行长时程任务所需的认知脚手架。
02 DeepAgents 的架构设计
DeepAgents 与 LangChian、LangGraph 的关系
DeepAgent一个构建在 LangChain 和 LangGraph 之上的开源智能体框架（agent harness），将规划工具、文件系统访问、子代理和详细提示词等关键机制整合在一起，以支持复杂的深度任务。所以可以理解为：LangChain、LangGraph 和 DeepAgents 三者构成了 LangChain 生态中不同层次的组件，各有定位。
简单来说，它们按层次构建于彼此之上：DeepAgents 基于 LangChain 的代理抽象实现，而 LangChain 又构建在 LangGraph 的运行时之上。LangChain 团队将它们分别称作“代理框架”（LangChain）、“代理运行时”（LangGraph）和“代理套件/骨架”（DeepAgents）：
下表总结了三者的关系和侧重点：
注意：DeepAgents构建的是基于LangGraph的图结构！！
从技术定位上看，如果只需要基础的 Agent 功能并愿意自己设计提示和工具，可以直接使用 LangChain；如果需要构建复杂的多Agent系统或工作流，LangGraph 提供了底层支持；而 DeepAgents 则面向想要省却底层搭建，直接使用现有深度机制来打造 AutoGPT 类自主智能体的需求。因此，DeepAgents 可以被视为在 LangChain 上封装的一层“加速器”：它并非取代 LangChain 或 LangGraph，而是利用它们提供的抽象和运行时，将深度代理常用模式做成开箱即用的组件。
DeepAgents 引入的四大核心机制：
- 红色代表“规划工具”（Todo 清单）；
- 绿色代表“文件系统”（虚拟磁盘）；
- 橙色代表“子代理”（子任务智能体）；
- 蓝色代表“详细系统提示”。
这些组件共同赋能代理处理长时序、复杂多步骤的任务，其核心架构组成如图所示：
03 DeepAgents 构建AI深度代理开发实战
上面给大家讲解了一些基础的新Agent框架介绍，完整项目内容我们还会带大家构建了一个具备实时联网检索能力的 DeepAgents 研究智能体～同时使用 LangGraph Studio 进行可视化！
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
)
