[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-langchain-ai--deep-agents-from-scratch":3,"tool-langchain-ai--deep-agents-from-scratch":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":68,"owner_location":68,"owner_email":80,"owner_twitter":77,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":23,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":108,"github_topics":68,"view_count":23,"oss_zip_url":68,"oss_zip_packed_at":68,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":122},2096,"langchain-ai\u002Fdeep-agents-from-scratch","deep-agents-from-scratch",null,"deep-agents-from-scratch 是一个基于 LangGraph 构建的开源教程项目，旨在手把手教开发者从零开始打造具备“深度研究”能力的通用 AI 智能体。随着 AI 应用场景从简单的代码编写扩展到需要数十步操作的复杂长程任务，如何让智能体有效规划、记忆并执行成为一大挑战。该项目正是为了解决这一痛点，通过五个循序渐进的实战笔记本，系统演示了当前主流深度智能体（如 Manus）背后的核心架构模式。\n\n它重点解决了智能体在处理复杂任务时容易迷失方向、上下文溢出以及多步骤协作混乱的问题。项目详细拆解了三大关键技术亮点：一是利用待办清单（TODO）进行结构化任务规划与状态追踪；二是构建虚拟文件系统，将海量信息卸载到文件中以突破上下文限制并实现长期记忆；三是通过子代理（Sub-agents） delegation 机制隔离上下文，让不同专长的代理并行处理特定子任务。\n\n这套工具非常适合希望深入理解 Agent 架构原理的 AI 开发者、研究人员以及想要掌握 LangGraph 高级用法的工程师。不同于直接调用的黑盒模型，deep-agents-from-scratch 提供了透","deep-agents-from-scratch 是一个基于 LangGraph 构建的开源教程项目，旨在手把手教开发者从零开始打造具备“深度研究”能力的通用 AI 智能体。随着 AI 应用场景从简单的代码编写扩展到需要数十步操作的复杂长程任务，如何让智能体有效规划、记忆并执行成为一大挑战。该项目正是为了解决这一痛点，通过五个循序渐进的实战笔记本，系统演示了当前主流深度智能体（如 Manus）背后的核心架构模式。\n\n它重点解决了智能体在处理复杂任务时容易迷失方向、上下文溢出以及多步骤协作混乱的问题。项目详细拆解了三大关键技术亮点：一是利用待办清单（TODO）进行结构化任务规划与状态追踪；二是构建虚拟文件系统，将海量信息卸载到文件中以突破上下文限制并实现长期记忆；三是通过子代理（Sub-agents） delegation 机制隔离上下文，让不同专长的代理并行处理特定子任务。\n\n这套工具非常适合希望深入理解 Agent 架构原理的 AI 开发者、研究人员以及想要掌握 LangGraph 高级用法的工程师。不同于直接调用的黑盒模型，deep-agents-from-scratch 提供了透明的代码实现和最佳实践，帮助用户真正掌握构建高可靠性、长周期自主智能体的核心能力。","# 🧱 Deep Agents from Scratch\n\n\u003Cimg width=\"720\" height=\"289\" alt=\"Screenshot 2025-08-12 at 2 13 54 PM\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_deep-agents-from-scratch_readme_5929894bbd6c.png\" \u002F>\n\n[Deep Research](https:\u002F\u002Facademy.langchain.com\u002Fcourses\u002Fdeep-research-with-langgraph) broke out as one of the first major agent use-cases along with coding. Now, we've seeing an emergence of general purpose agents that can be used for a wide range of tasks. For example, [Manus](https:\u002F\u002Fmanus.im\u002Fblog\u002FContext-Engineering-for-AI-Agents-Lessons-from-Building-Manus) has gained significant attention and popularity for long-horizon tasks; the average Manus task uses ~50 tool calls!. As a second example, Claude Code is being used generally for tasks beyond coding. Careful review of the [context engineering patterns](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F16aaXLu40GugY-kOpqDU4e-S0hD1FmHcNyF0rRRnb1OU\u002Fedit?slide=id.p#slide=id.p) across these popular \"deep\" agents shows some common approaches:\n\n* **Task planning (e.g., TODO), often with recitation**\n* **Context offloading to file systems**\n* **Context isolation through sub-agent delegation**\n\nThis course will show how to implement these patterns from scratch using LangGraph! \n\n## 🚀 Quickstart \n\n### Prerequisites\n\n- Ensure you're using Python 3.11 or later.\n- This version is required for optimal compatibility with LangGraph.\n```bash\npython3 --version\n```\n- [uv](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) package manager\n```bash\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n# Update PATH to use the new uv version\nexport PATH=\"\u002FUsers\u002F$USER\u002F.local\u002Fbin:$PATH\"\n```\n\n### Installation\n\n1. Clone the repository:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fdeep-agents-from-scratch.git\ncd deep_agents_from_scratch\n```\n\n2. Install the package and dependencies (this automatically creates and manages the virtual environment):\n```bash\nuv sync\n```\n\n3. Create a `.env` file in the project root with your API keys:\n```bash\n# Create .env file\ntouch .env\n```\n\nAdd your API keys to the `.env` file:\n```env\n# Required for research agents with external search\nTAVILY_API_KEY=your_tavily_api_key_here\n\n# Required for model usage\nANTHROPIC_API_KEY=your_anthropic_api_key_here\n\n# Optional: For evaluation and tracing\nLANGSMITH_API_KEY=your_langsmith_api_key_here\nLANGSMITH_TRACING=true\nLANGSMITH_PROJECT=deep-agents-from-scratch\n```\n\n4. Run notebooks or code using uv:\n```bash\n# Run Jupyter notebooks directly\nuv run jupyter notebook\n\n# Or activate the virtual environment if preferred\nsource .venv\u002Fbin\u002Factivate  # On Windows: .venv\\Scripts\\activate\njupyter notebook\n```\n\n## 📚 Tutorial Overview\n\nThis repository contains five progressive notebooks that teach you to build advanced AI agents:\n\n### `0_create_agent.ipynb` -\nLearn how to use the create_agent component. This component,\n- implements a ReAct (Reason - Act) loop that forms the foundation for many agents.\n- is easy to use and quick to set up.\n- serves as the\n\n### `1_todo.ipynb` - Task Planning Foundations\nLearn to implement structured task planning using TODO lists. This notebook introduces:\n- Task tracking with status management (pending\u002Fin_progress\u002Fcompleted)  \n- Progress monitoring and context management\n- The `write_todos()` tool for organizing complex multi-step workflows\n- Best practices for maintaining focus and preventing task drift\n\n### `2_files.ipynb` - Virtual File Systems\nImplement a virtual file system stored in agent state for context offloading:\n- File operations: `ls()`, `read_file()`, `write_file()`, `edit_file()`\n- Context management through information persistence\n- Enabling agent \"memory\" across conversation turns\n- Reducing token usage by storing detailed information in files\n\n### `3_subagents.ipynb` - Context Isolation\nMaster sub-agent delegation for handling complex workflows:\n- Creating specialized sub-agents with focused tool sets\n- Context isolation to prevent confusion and task interference\n- The `task()` delegation tool and agent registry patterns\n- Parallel execution capabilities for independent research streams\n\n### `4_full_agent.ipynb` - Complete Research Agent\nCombine all techniques into a production-ready research agent:\n- Integration of TODOs, files, and sub-agents\n- Real web search with intelligent context offloading\n- Content summarization and strategic thinking tools\n- Complete workflow for complex research tasks with LangGraph Studio integration\n\nEach notebook builds on the previous concepts, culminating in a sophisticated agent architecture capable of handling real-world research and analysis tasks. ","# 🧱 从零构建深度智能体\n\n\u003Cimg width=\"720\" height=\"289\" alt=\"Screenshot 2025-08-12 at 2 13 54 PM\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_deep-agents-from-scratch_readme_5929894bbd6c.png\" \u002F>\n\n[Deep Research](https:\u002F\u002Facademy.langchain.com\u002Fcourses\u002Fdeep-research-with-langgraph) 与编程一起，成为最早出现的主要智能体应用场景之一。如今，我们正见证通用型智能体的兴起，它们能够胜任各种任务。例如，[Manus](https:\u002F\u002Fmanus.im\u002Fblog\u002FContext-Engineering-for-AI-Agents-Lessons-from-Building-Manus) 因其长周期任务而备受关注和欢迎；平均每个 Manus 任务会调用约 50 次工具！再比如，Claude Code 现已广泛应用于编程之外的其他任务。仔细梳理这些热门“深度”智能体中的 [上下文工程模式](https:\u002F\u002Fdocs.google.com\u002Fpresentation\u002Fd\u002F16aaXLu40GugY-kOpqDU4e-S0hD1FmHcNyF0rRRnb1OU\u002Fedit?slide=id.p#slide=id.p)，可以发现一些共通的方法：\n\n* **任务规划（如 TODO 列表），通常配合复述机制**\n* **将上下文卸载到文件系统**\n* **通过子智能体委派实现上下文隔离**\n\n本课程将展示如何使用 LangGraph 从头开始实现这些模式！\n\n## 🚀 快速入门 \n\n### 前提条件\n\n- 确保您使用的是 Python 3.11 或更高版本。\n- 此版本是与 LangGraph 最佳兼容的版本。\n```bash\npython3 --version\n```\n- 使用 [uv](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F) 包管理器\n```bash\ncurl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n# 更新 PATH 以使用新安装的 uv 版本\nexport PATH=\"\u002FUsers\u002F$USER\u002F.local\u002Fbin:$PATH\"\n```\n\n### 安装步骤\n\n1. 克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fdeep-agents-from-scratch.git\ncd deep_agents_from_scratch\n```\n\n2. 安装包及依赖项（此过程会自动创建并管理虚拟环境）：\n```bash\nuv sync\n```\n\n3. 在项目根目录下创建 `.env` 文件，并填入您的 API 密钥：\n```bash\n# 创建 .env 文件\ntouch .env\n```\n\n在 `.env` 文件中添加您的 API 密钥：\n```env\n# 用于具备外部搜索功能的研究型智能体\nTAVILY_API_KEY=your_tavily_api_key_here\n\n# 用于模型调用\nANTHROPIC_API_KEY=your_anthropic_api_key_here\n\n# 可选：用于评估与追踪\nLANGSMITH_API_KEY=your_langsmith_api_key_here\nLANGSMITH_TRACING=true\nLANGSMITH_PROJECT=deep-agents-from-scratch\n```\n\n4. 使用 uv 运行笔记本或代码：\n```bash\n# 直接运行 Jupyter 笔记本\nuv run jupyter notebook\n\n# 或者如果您更习惯，可以激活虚拟环境\nsource .venv\u002Fbin\u002Factivate  # Windows 上：.venv\\Scripts\\activate\njupyter notebook\n```\n\n## 📚 教程概览\n\n本仓库包含五个循序渐进的笔记本，教您构建高级 AI 智能体：\n\n### `0_create_agent.ipynb` -\n学习如何使用 create_agent 组件。该组件：\n- 实现了 ReAct（推理-行动）循环，这是许多智能体的基础。\n- 使用简单、设置快速。\n- 作为\n\n### `1_todo.ipynb` - 任务规划基础\n学习如何使用 TODO 列表实现结构化任务规划。本笔记本介绍：\n- 带状态管理的任务跟踪（待办\u002F进行中\u002F已完成）\n- 进度监控与上下文管理\n- `write_todos()` 工具，用于组织复杂的多步工作流\n- 保持专注、防止任务偏离的最佳实践\n\n### `2_files.ipynb` - 虚拟文件系统\n实现存储在智能体状态中的虚拟文件系统，用于上下文卸载：\n- 文件操作：`ls()`、`read_file()`、`write_file()`、`edit_file()`\n- 通过信息持久化进行上下文管理\n- 使智能体能够在多次对话轮次中“记忆”信息\n- 通过将详细信息存储在文件中来减少令牌消耗\n\n### `3_subagents.ipynb` - 上下文隔离\n掌握子智能体委派技术，以处理复杂的工作流：\n- 创建具有特定工具集的专业子智能体\n- 通过上下文隔离避免混淆和任务干扰\n- `task()` 委派工具与智能体注册表模式\n- 支持独立研究流程的并行执行能力\n\n### `4_full_agent.ipynb` - 完整的研究型智能体\n将所有技术整合成一个可投入生产的研究型智能体：\n- 集成 TODO 列表、文件和子智能体\n- 结合智能上下文卸载的真实网络搜索\n- 内容摘要与战略思考工具\n- 与 LangGraph Studio 集成，完成复杂研究任务的完整工作流\n\n每个笔记本都建立在前一个概念的基础上，最终形成一套能够应对现实世界研究与分析任务的成熟智能体架构。","# deep-agents-from-scratch 快速上手指南\n\n本指南帮助中国开发者快速搭建基于 LangGraph 的高级 AI Agent（智能体），实现任务规划、上下文卸载及子代理 delegation 等核心功能。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (WSL 推荐)\n*   **Python 版本**：必须为 **Python 3.11** 或更高版本（LangGraph 最佳兼容性要求）。\n    ```bash\n    python3 --version\n    ```\n*   **包管理器**：推荐使用 [`uv`](https:\u002F\u002Fdocs.astral.sh\u002Fuv\u002F)，它比 pip 更快且能自动管理虚拟环境。\n    *   安装 uv (国内用户若下载缓慢，可尝试配置代理或使用镜像):\n    ```bash\n    curl -LsSf https:\u002F\u002Fastral.sh\u002Fuv\u002Finstall.sh | sh\n    ```\n    *   配置环境变量 (将 uv 加入 PATH):\n    ```bash\n    export PATH=\"\u002FUsers\u002F$USER\u002F.local\u002Fbin:$PATH\"\n    # Windows PowerShell: $env:PATH = \"$env:USERPROFILE\\.local\\bin;$env:PATH\"\n    ```\n\n## 安装步骤\n\n### 1. 克隆项目\n从 GitHub 获取源代码并进入目录：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fdeep-agents-from-scratch.git\ncd deep-agents-from-scratch\n```\n> **提示**：如果 `git clone` 速度较慢，可使用国内镜像源：\n> `git clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fdeep-agents-from-scratch.git` (注：若官方无 Gitee 镜像，请配置本地 git proxy)\n\n### 2. 安装依赖\n使用 `uv` 同步依赖并自动创建虚拟环境：\n```bash\nuv sync\n```\n\n### 3. 配置 API 密钥\n在项目根目录创建 `.env` 文件，并填入必要的 API Key。本项目主要依赖 Anthropic 模型和 Tavily 搜索工具。\n\n```bash\ntouch .env\n```\n\n编辑 `.env` 文件，填入以下内容（替换为您的真实密钥）：\n```env\n# 必需：用于外部搜索工具 (Tavily)\nTAVILY_API_KEY=your_tavily_api_key_here\n\n# 必需：用于调用大模型 (Anthropic Claude)\nANTHROPIC_API_KEY=your_anthropic_api_key_here\n\n# 可选：用于评估和链路追踪 (LangSmith)\nLANGSMITH_API_KEY=your_langsmith_api_key_here\nLANGSMITH_TRACING=true\nLANGSMITH_PROJECT=deep-agents-from-scratch\n```\n\n## 基本使用\n\n本项目通过一系列 Jupyter Notebook 教程循序渐进地构建 Agent。最直接的启动方式是运行交互式笔记本。\n\n### 启动 Jupyter Notebook\n使用 `uv run` 直接启动开发环境：\n```bash\nuv run jupyter notebook\n```\n\n或者手动激活虚拟环境后启动：\n```bash\n# Linux\u002FmacOS\nsource .venv\u002Fbin\u002Factivate\n\n# Windows\n.venv\\Scripts\\activate\n\njupyter notebook\n```\n\n### 运行第一个示例\n在浏览器打开的 Jupyter 界面中，依次打开以下文件进行学习：\n\n1.  **基础入门**：打开 `0_create_agent.ipynb`\n    *   学习如何使用 `create_agent` 组件构建基础的 ReAct (Reason-Act) 循环 Agent。\n2.  **进阶实践**：按顺序运行后续笔记本\n    *   `1_todo.ipynb`: 实现待办事项列表进行任务规划。\n    *   `2_files.ipynb`: 构建虚拟文件系统以卸载上下文。\n    *   `3_subagents.ipynb`: 实现子代理委派与上下文隔离。\n    *   `4_full_agent.ipynb`: 整合所有功能，运行完整的深度研究 Agent。\n\n每个 Notebook 均包含可执行的代码单元格，按顺序执行即可体验从简单到复杂的 Agent 构建过程。","某科技公司的数据分析师需要针对“全球固态电池技术突破”这一宽泛主题，在一天内完成一份包含最新专利、学术论文及竞品动态的深度调研报告。\n\n### 没有 deep-agents-from-scratch 时\n- **任务容易迷失**：面对海量信息，普通 Agent 缺乏结构化规划，常在搜索中陷入死循环或遗漏关键子课题，导致报告逻辑支离破碎。\n- **上下文严重受限**：由于大模型上下文窗口限制，长篇文献和中间分析结果无法完整保留，导致后续步骤“遗忘”前文关键数据，需反复重新检索。\n- **协作效率低下**：单一 Agent 试图同时处理资料搜集、数据清洗和观点撰写，角色混淆导致输出质量不稳定，且无法并行处理不同领域的子任务。\n- **人工干预频繁**：开发者需不断手动打断并重置对话，通过复制粘贴来维持记忆，耗时耗力且极易出错。\n\n### 使用 deep-agents-from-scratch 后\n- **规划清晰可控**：利用内置的 TODO 任务规划机制，Agent 自动将调研拆解为“专利扫描”、“论文精读”、“竞品对比”等步骤，并实时追踪状态，确保执行不偏离主线。\n- **无限上下文记忆**：通过虚拟文件系统自动将检索到的长文档和分析草稿落盘存储，Agent 可随时读取历史细节，彻底突破 Token 限制，保证报告数据详实连贯。\n- **专业分工协作**：主代理自动调度“搜索专家”、“数据分析师”和“撰稿人”等多个子代理并行工作，各角色专注特定工具集，互不干扰且大幅缩短耗时。\n- **全流程自动化**：从任务分解到最终报告生成无需人工插手，系统自动管理文件读写与子任务委派，分析师仅需在最后审核成品。\n\ndeep-agents-from-scratch 通过引入任务规划、文件持久化和子代理隔离三大核心模式，将原本不可控的长周期 AI 任务转化为稳定、高效且可追溯的自动化工作流。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flangchain-ai_deep-agents-from-scratch_5929894b.png","langchain-ai","LangChain","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flangchain-ai_8e6aaeef.png","","support@langchain.dev","https:\u002F\u002Fwww.langchain.com","https:\u002F\u002Fgithub.com\u002Flangchain-ai",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",97.3,{"name":89,"color":90,"percentage":91},"Python","#3572A5",2.7,641,279,"2026-04-03T02:10:43","MIT","Linux, macOS, Windows","未说明",{"notes":99,"python":100,"dependencies":101},"推荐使用 uv 包管理器进行环境管理和依赖安装；需要配置 TAVILY_API_KEY（用于搜索）和 ANTHROPIC_API_KEY（用于模型调用）；可选配置 LangSmith 用于评估和追踪；项目通过 Jupyter Notebook 运行教程。","3.11+",[102,103,104,105,106,107],"langgraph","tavily-python","anthropic","langsmith","jupyter","uv",[13,15],"2026-03-27T02:49:30.150509","2026-04-06T07:13:23.459879",[112,117],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},9624,"安装时遇到 `Failed to build tiktoken` 错误怎么办？","该问题通常是因为使用的 Python 版本过新（如 Python 3.14），导致 `tiktoken` 或 `ormsgpack` 等依赖 PyO3 的包不支持。解决方案如下：\n1. 安装 Rust：`curl --proto '=https' --tlsv1.2 -sSf https:\u002F\u002Fsh.rustup.rs | sh`\n2. 确认并安装受支持的 Python 版本（例如 3.13.9）：`uv python install 3.13.9`\n3. 将项目锁定到该 Python 版本并同步依赖：`uv python pin 3.13.9 && uv sync`\n此外，项目的 `pyproject.toml` 已更新以限制 Python 版本低于 3.14。","https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fdeep-agents-from-scratch\u002Fissues\u002F13",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},9625,"本仓库与 langchain-ai\u002Fdeepagents 仓库有什么关系？生产环境应该用哪个？","本仓库是配合 LangChain Academy 上的深度智能体课程使用的教学材料，代表的是课程发布时的代码状态。而 `langchain-ai\u002Fdeepagents` 仓库是持续演进的生产级项目。\n如果您是为了学习原理和思路，可以参考本仓库；但如果是用于生产环境或构建实际工具，建议使用更成熟且持续更新的 `langchain-ai\u002Fdeepagents` 仓库。","https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Fdeep-agents-from-scratch\u002Fissues\u002F20",[123,126,129],{"id":124,"version":125,"summary_zh":68,"released_at":68},106949,"update_to_onedotoh",{"id":127,"version":128,"summary_zh":68,"released_at":68},106950,"tested",{"id":130,"version":131,"summary_zh":68,"released_at":68},106951,"inital_course_release"]