Deepagents实战让AI代理自己拆解任务【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeepagents 是 LangChain 团队开源的智能体框架几行代码就能跑出一个会自己规划、读写文件、把子任务委派给子代理的代理。它和直接搭 create_agent 的区别在于规划、记忆、委派这些长任务脚手架默认装好了不用自己拼中间件。它到底能干什么 自动拆解多步骤任务当你抛出一个复杂请求比如在 Chinook 数据库里哪个员工创收最高代理不会直接写 SQL。它会先用 write_todos 把任务拆成列表、查 schema、写查询、析结果四步每步做完打上 in_progress 或 pending 标记。结果就是整条推理链路在 trace 里逐步可见你能核对它有没有跑偏。把子任务委派给独立子代理当某个子任务会刷出大量中间产物、你又不想让主对话的上下文被撑爆时代理会把这块活儿丢给一个子代理。子代理在独立的上下文窗口里干活只把结论回传给主代理中间结果不进主上下文。结果就是任务再长主对话也不容易膨胀。把中间产物落到文件系统工具输出太长、装不进上下文窗口时代理会把它们写到磁盘文件就成了它的工作记忆。会话中途断了也没关系文件还在它读回来就能接着干。结果就是工作可以跨会话存续。五分钟跑通第一个 Deepagents 例子 git clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents/libs/deepagents uv sync uv run python -c from deepagents import create_deep_agent; print(ok)装完 SDK 后create_deep_agent 的核心组装逻辑在 libs/deepagents/deepagents/graph.py中间件在 middleware/、后端在 backends/、子代理相关逻辑也在 middleware/ 里。想直接看真实用例examples/ 下有 text-to-sql、深度研究等现成代理。不想写代码也能先体验仓库自带一个终端编码代理 dcode包名 deepagents-code开箱即用模型可以换成任何支持工具调用的 LLM。Deepagents 设计上的几个关键选择 为什么在 LangGraph 上叠 harness而不是另写运行时Deepagents 没有发明新运行时create_deep_agent 只是在 create_agent 之上组装默认中间件、配置后端、子代理和 profile。这么做的理由是把流式、检查点、中断这些生产级能力直接借给 LangGraph自己只负责长任务需要哪些默认件的判断。为什么能力放在中间件而不是工具里中间件能在模型调用前后、工具执行前后介入可以改写工具列表和系统提示还能压缩上下文。普通工具只有在模型已经选择调用它之后才会运行改不了前面的请求。像上下文压缩、权限拦截这类能力必须在模型看到东西之前就生效所以只能做成中间件。为什么用文件系统当记忆底座、给子代理隔离上下文把中间产物写盘等于给代理一块跨循环、跨会话都持久的记忆长任务不会越聊越乱。子代理各自带隔离的上下文窗口主代理的上下文因此保持精简。什么时候该用、什么时候不用适合一是企业里的长流程数据分析比如运营、财务场景下要查库、处理文件、再产出报告的多步任务二是要沙箱、要 shell、要规划的编码或运维任务想要一个 Claude Code 风格的终端代理但又不想被绑死在单一模型上。不适合如果只是单轮问答或固定流程的工具调用用更轻量的 create_agent 加几个工具就够了Deepagents 的规划、子代理、上下文管理在这里是多余的还平添延迟。适合想少写脚手架、专注业务逻辑的开发者。现在去 examples/ 挑个例子跑起你的第一个代理。【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考