企业官网建设流程全解析

用 LangGraph 写到第三个 Agent，我开始有点烦。

每次都要从头搭一遍：定义 State、写 ReAct 循环、自己管 Tool 调用、自己处理上下文超长、再加一遍 checkpoint。每个项目都把这套样板抄一遍，抄到最后我都怀疑：这些代码是不是其实应该被框架吃掉？

带着这个疑问，我去翻了 LangChain 官方刚推没多久的 DeepAgents（截至本文，已是 23k star，包名deepagents，核心 API 就一个create_deep_agent）。

这是 Day 1 的笔记，目标只有一个：搞清楚 DeepAgents 到底是什么、不是什么，以及如果你已经会 LangGraph，到底要不要花时间学它。

阅读提示读完这篇你能拿到三个东西：

1. LangGraph、LangChaincreate_agent、DeepAgents 三层定位的清晰边界
2. DeepAgents 的核心概念清单（Sub-agents / Filesystem / Memory / Context / Skills / HITL / Tools）
3. 一段最小可运行代码，跑出第一个 Deep Agent 全文约 8 分钟。

一、先回答一个问题：它和 LangGraph 是什么关系

很多人第一眼会以为 DeepAgents 是 LangGraph 的"替代品"。不是。

按官方 README 的说法（这是事实，不是推测）：

• LangGraph是图执行运行时（graph runtime），最底层
• LangChain 的create_agent是 LangGraph 之上的最小 Agent harness
• DeepAgents是在create_agent之上更 opinionated 的 harness，带电池

三者是同一栈的不同抽象层，不是互相替代，而是上下叠的。

图 1：从 LangGraph 到 DeepAgents 的三层抽象

这张图我画的时候纠结了很久，直到看到 README 里那句话才想清楚：

“All three are layers in the same stack.”

也就是说：

• 你想完全自己控制图结构、节点、状态 reducer，用 LangGraph
• 你想要一个轻量 Agent 循环，自己加中间件，用 LangChaincreate_agent
• 你想直接拿一个能干长任务的 Agent，用 DeepAgents

更妙的一点：任何 LangGraph 的CompiledStateGraph都可以当 Sub-agent 塞进 Deep Agent。也就是你过去用 LangGraph 写的那些复杂图，没白写，可以直接当子能力挂上来。

二、DeepAgents 解决了 LangGraph 没替你做的那部分

如果让我用一句话概括 DeepAgents 的定位：

它把"长任务、多步骤 Agent 项目里你每次都要重写一遍"的那部分，做成了默认能力。

具体是哪些？我整理成一张图：

图 2：Deep Agent 的能力面

中间的create_deep_agent()就是入口，外围七个能力按官方 README 列的顺序：

读到这里，再回头看那句"batteries-included agent harness"，就不是市场话术了：它确实把上面这一排都默认装好了。

三、最小实验：30 秒跑出第一个 Deep Agent

光看概念没用，先跑一个。

3.1 安装

uv add deepagents# 或者pip install deepagents

注：DeepAgents 也有 JS/TS 版本（仓库deepagentsjs），本系列用 Python 版本。

3.2 最小 Agent

from deepagents import create_deep_agentdef get_weather(city: str) -> str: """查询某个城市的天气（演示用，写死）。""" return f"{city} 今天 26°C，多云。"agent = create_deep_agent( model="openai:gpt-4o", # 任何支持 tool calling 的模型都可以 tools=[get_weather], # 自定义工具，也支持 MCP system_prompt="你是一个研究助手，回答问题前先想清楚是否需要工具。",)result = agent.invoke({"messages": "北京天气怎么样？"})print(result["messages"][-1].content)

这段代码和 LangGraph 自己搭一个 ReAct Agent 的差异，关键不在这十几行，而在于：

• 文件读写工具，不用你写
• 上下文超长时的摘要，不用你写
• 子任务委派的 Sub-agent，不用你写图
• 工具调用前要不要拦下来给人审批，配置一下就有

3.3 观察什么

跑完之后建议看三个点（这是判断这个框架值不值的关键）：

1. result["messages"]里 Agent 自己产生了哪些消息（有没有反思、有没有计划）
2. 如果你换成长任务（比如让它帮你写一份报告），它是不是会主动调用文件系统写中间产物
3. 看 LangSmith trace（如果你接了），观察它内部的图结构 —— 你会发现底层确实就是 LangGraph

四、什么时候不该用 DeepAgents

这一节我必须诚实：DeepAgents 不是银弹。

不适合：

• 你的 Agent 循环本身就不是 ReAct/Plan-Execute 这一类形状：比如要做严格 DAG、严格状态机、严格事件驱动 —— 直接 LangGraph，DeepAgents 反而碍事
• 追求极致最小依赖：DeepAgents 默认装一堆能力，你如果只想要"调一次 tool 然后返回"，create_agent更轻
• 强约束场景，不能让模型自己决定文件读写：DeepAgents 的核心假设之一是"trust the LLM"，安全边界在工具/沙箱层。如果你的合规要求是 LLM 不能自由调用某些能力，要自己加一层

适合：

• 长任务、多步骤、希望 Agent 自己规划自己执行
• 想做"Claude Code 那种通用工作型 Agent"（DeepAgents 的灵感原话就是从 Claude Code 来的）
• 已经有一堆 LangGraph 子图想被一个上层 Agent 调度起来

五、踩坑预告（Day 2 之后会展开）

我自己跑 Day 1 的 demo 时已经撞到几个点，先记录在这，后面几天会逐个拆：

• 模型必须支持 tool calling：本地 ollama 跑的小模型，工具调用经常空转，建议 Day 2 直接上能稳定 tool calling 的模型
• pip install deepagents之外还要 LLM provider 的 SDK：装完会发现还要pip install langchain-openai之类
• 默认带的工具不少：第一次跑别急着加自己的 tool，先看它默认装了什么，避免重复造轮子

六、Day 1 一句话结论

DeepAgents 不是新 Agent 框架，它是 LangGraph + create_agent 之上的"工业级默认配置"。 如果你已经会 LangGraph，学 DeepAgents 的成本是几小时，省下来的样板代码是每个项目几百行。

值不值得学，看一个判断：你最近的 Agent 项目里，是不是已经第二次在写文件读写工具、上下文摘要、子任务委派？

是 → 接着看这个系列。 不是 → 留着这篇，下次再写 ReAct 时回来看。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】