langchain-ai/deepagents

Deep Agents 是一个 Agent 框架。一个开箱即用、即插即用、且带有明确设计理念的 Agent。你无需亲自连接 prompts、tools 和上下文管理，就能立即获得一个可运行的 Agent，并按需进行定制。 **包含功能：** - **Planning（规划）** — `write_todos` 用于任务分解和进度跟踪 - **Filesystem（文件系统）** — `read_file`、`write_file`、`edit_file`、`ls`、`glob`、`grep` 用于读取和写入上下文 - **Shell access（Shell 访问）** — `execute` 用于运行命令（带沙箱机制） - **Sub-agents（子代理）** — `task` 用于在隔离的上下文窗口中委托工作 - **Smart defaults（智能默认值）** — 教导模型如何有效使用这些工具的 Prompts - **Context management（上下文管理）** — 对话过长时自动摘要，大型输出保存到文件 ## 快速开始 ``` pip install deepagents # 或 uv add deepagents ``` ``` from deepagents import create_deep_agent agent = create_deep_agent() result = agent.invoke({"messages": [{"role": "user", "content": "Research LangGraph and write a summary"}]}) ``` 该 Agent 可以规划、读/写文件并管理自己的上下文。可根据需要添加工具、自定义 prompts 或替换模型。 ## 定制化 添加你自己的工具、替换模型、自定义 prompts、配置 sub-agents 等。请参阅[文档](https://docs.langchain.com/oss/python/deepagents/overview)获取完整详情。 ``` from langchain.chat_models import init_chat_model agent = create_deep_agent( model=init_chat_model("openai:gpt-4o"), tools=[my_custom_tool], system_prompt="You are a research assistant.", ) ``` 通过 [`langchain-mcp-adapters`](https://github.com/langchain-ai/langchain-mcp-adapters) 支持 MCP。 ## Deep Agents CLI

``` curl -LsSf https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash ``` Web 搜索、远程沙箱、持久化记忆、人工介入审批等功能。请参阅 [CLI README](libs/cli/) 了解完整功能集。 ## LangGraph 原生支持 `create_deep_agent` 返回一个已编译的 [LangGraph](https://docs.langchain.com/oss/python/langgraph/overview) 图。可将其与 streaming、Studio、checkpointers 或任何 LangGraph 功能配合使用。 ## FAQ（常见问题） ### 为什么要使用它？ - **100% 开源** — MIT 许可证，完全可扩展 - **Provider agnostic（提供商无关）** — 适用于任何支持 tool calling 的大型语言模型（LLM），包括前沿模型和开放模型 - **基于 LangGraph 构建** — 具备 streaming、persistence 和 checkpointing 功能的生产级运行时 - **Batteries included（功能齐全）** — Planning、文件访问、sub-agents 和上下文管理开箱即用 - **几秒钟即可上手** — `uv add deepagents` 即可获得一个可运行的 Agent - **几分钟完成定制** — 可根据需要添加工具、替换模型、调整 prompts ## 文档 - [docs.langchain.com](https://docs.langchain.com/oss/python/deepagents/overview) – 综合文档，包括概念概述和指南 - [reference.langchain.com/python](https://reference.langchain.com/python/deepagents/) – Deep Agents 包的 API 参考文档 - [Chat LangChain](https://chat.langchain.com/) – 与 LangChain 文档对话并获取问题的解答 **讨论**：访问 [LangChain 论坛](https://forum.langchain.com)与社区联系，并分享你所有的技术问题、想法和反馈。 ## 更多资源 - **[示例](examples/)** — 可运行的 Agent 和模式 - [贡献指南](https://docs.langchain.com/oss/python/contributing/overview) – 了解如何为 LangChain 项目做贡献，并找到适合新手的 issue。 - [行为准则](https://github.com/langchain-ai/langchain/?tab=coc-ov-file) – 我们的社区准则和参与标准。 ## 致谢 本项目主要受 Claude Code 启发，最初很大程度上是为了探究 Claude Code 通用性的原因，并使其更加通用化。 ## 安全性 Deep Agents 遵循“信任 LLM”模型。Agent 可以做其工具允许的任何事情。应在工具/沙箱层面执行边界约束，而不是期望模型进行自我约束。请参阅[安全策略](https://github.com/langchain-ai/deepagents?tab=security-ov-file)了解更多信息。

标签：Agent框架, DeepAgents, DLL 劫持, DNS解析, LangChain, LangGraph, LLM应用开发, Python, Shell执行, Spyse API, 上下文管理, 人工智能, 任务规划, 大语言模型, 子代理, 开源项目, 文件系统, 无后门, 用户模式Hook绕过, 自主智能体, 轻量级, 逆向工具