本文介绍基于LangGraph的深度智能体(Deep Agents)概念与实战。Deep Agents能自动思考、分解任务、生成待办事项和子智能体，大幅提升AI能力。通过DeepAgents库，开发者可轻松构建具备规划、文件系统和子智能体编排的智能体。文章详细展示了Research Agent构建过程，并提供优化方向。适合希望提升AI应用能力的开发者学习收藏。
AI 智能体（Agents）已经将大型语言模型（LLMs）的能力提升了一个台阶，而深度智能体（Deep Agents）又承诺，它不仅仅可以回答你的问题，而且还能够预先思考、分解任务、创建自己的待办事项（TODOs），甚至可以生成子智能体来完成工作，让 AI Agents的能力有提升了一个档次。
深度智能体是基于 LangGraph 构建的，LangGraph 是一个专门为创建能够处理复杂任务的智能体而设计的库。让我们了解下深度智能体，理解它们的核心能力，然后使用该库来构建我们自己的 AI Agents。
Deep Agents
LangGraph 为有状态的工作流提供了基于图（graph-based）的运行时，但你仍然需要从零开始构建自己的规划、上下文管理或任务分解逻辑。DeepAgents（基于 LangGraph 构建）则将规划工具、基于虚拟文件系统的内存和子智能体编排等功能开箱即用地打包在一起。
可以通过独立的 deepagents 库来使用深度智能体（Deep Agents）。它不仅包含了规划能力、还可以生成子智能体，同时利用文件系统进行上下文管理。它还能与 LangSmith 结合使用，用于部署和监控。本文中构建的智能体默认使用 “claude-sonnet-4-5-” 模型，但可以根据需要进行自定义。在我们开始创建智能体之前，先来了解一下它的核心组件。
核心组件
- 详细的系统提示词（Detailed System Prompts）： 深度智能体使用带有详细说明和示例的系统提示词。
- 规划工具（Planning Tools）： 深度智能体内置了用于规划的工具，智能体使用 TODO 列表管理工具来实现规划。这有助于它们即使在执行复杂任务时也能保持专注。
- 子智能体（Sub-Agents）： 子智能体被用于处理委派的任务，它们在上下文隔离的环境中执行。
- 文件系统（File System）： 虚拟文件系统用于上下文管理和内存管理。这里的 AI 智能体将文件作为工具，在上下文窗口满时将上下文卸载到内存中。
Deep Agents 示例
让我们使用 deepagents 库来构建一个Research Agent，它将使用 Tavily 进行网络搜索，并具备深度智能体的所有组件。
环境准备
需要一个 OpenAI API 密钥来创建这个智能体，你也可以选择使用 Gemini/Claude 等其他模型提供商。请从以下平台获取你的 OpenAI 密钥：https://platform.openai.com/api-keys
同时，还要从这里获取用于网络搜索的 Tavily API 密钥：https://app.tavily.com/home
在 Google Colab 中打开一个新的 Notebook 并添加密文：
将密钥保存为 和 用于演示，并且不要忘记开启 Notebook 对这些密文的访问权限。
安装依赖库
我们将安装运行代码所需的这些库。
导入和 API 设置
我们将 Tavily API 密钥存储在一个变量中，并将 OpenAI API 密钥设置到环境变量中。
定义工具、子智能体和主智能体
我们定义了一个用于网络搜索的工具，并将其传递给了我们的智能体。我们在这个演示中使用了 OpenAI 的 模型，你可以将其更改为任何其他模型。
另请注意，我们没有创建任何文件，也没有为上下文卸载所需的文件系统或 TODO 列表定义任何内容。这些功能都已在 中预构建，并默认可供智能体访问。
运行
注意： 智能体的执行可能需要一些时间。
输出结果
正如我们所看到一样，这个智能体做得很好。它维护了一个虚拟文件系统，经过多次迭代后给出了响应，并认为自己应该是一个“深度智能体”。但我们的系统仍有改进的空间，让我们看看下一节中可以进行哪些改进。
我们构建了一个简单的深度智能体，如果你感兴趣的话，可以基于此并构建出更好的东西。以下是可以改进这个智能体的一些方法：
- 使用长期记忆（Long-term Memory）： 深度智能体可以将用户偏好和反馈保存在文件（）中。这将帮助智能体给出更好的答案，并从对话中建立知识库。
- 控制文件系统（Control File-system）： 默认情况下，文件存储在虚拟状态中，你可以使用 中的 将其更改为不同的后端或本地磁盘。
- 优化系统提示词（Refining the System Prompts）： 你可以测试多个提示词，看看哪个最适合你的需求。
成功构建了我们的深度智能体，现在可以看到 AI 智能体如何能够利用 LangGraph 来处理任务，将 LLM 的能力提升一个台阶。凭借内置的规划、子智能体和虚拟文件系统，它们能够顺畅地管理 TODO 列表、上下文和研究工作流。深度智能体功能强大，但也要记住，如果一个任务更简单，可以通过一个简单的智能体或 LLM 来完成，那么就不建议使用深度智能体。
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。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇 Agent 智能体
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
包含提示词工程、RAG、Agent等技术点
全过程AI大模型学习路线
市面上的大模型书籍确实太多了，这些是我精选出来的
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起”前沿课程+智能实训+精准就业“的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
发布者：Ai探索者，转载请注明出处：https://javaforall.net/243956.html原文链接：https://javaforall.net
