Deep Agents 是一个智能体框架，提供了一套开箱即用、高度集成的解决方案。您无需手动配置提示词、工具和上下文管理逻辑，即可快速获得一个可用的智能体，并根据需求进行定制。

包含的功能：

• 规划 — write_todos 用于任务分解和进度跟踪
• 文件系统 — read_file、write_file、edit_file、ls、glob、grep 用于读取和写入上下文
• Shell 访问 — execute 用于执行命令（并带有沙盒隔离）
• 子智能体 — task 用于在独立的上下文窗口中委派工作
• 智能默认设置 — 提示词会引导模型高效使用这些工具
• 上下文管理 — 当对话过长时自动摘要，大型输出会保存到文件中

[!注意] 如果您正在寻找 JS/TS 版本的库，请查看 deepagents.js。

快速入门

pip install deepagents
# 或者
uv add deepagents

from deepagents import create_deep_agent

agent = create_deep_agent()
result = agent.invoke({"messages": [{"role": "user", "content": "研究 LangGraph 并撰写总结"}]})

该智能体能够进行规划、读写文件以及管理自身上下文。您可以根据需要添加工具、自定义提示词或更换模型。

[!提示] 如需开发、调试和部署 AI 智能体及 LLM 应用程序，请参阅 LangSmith。

自定义

您可以添加自己的工具、更换模型、自定义提示词、配置子智能体等。完整细节请参阅文档。

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="你是一名研究助理。",
)

MCP 支持通过 langchain-mcp-adapters 实现。

Deep Agents CLI

终端中的预构建编码智能体——类似于 Claude Code 或 Cursor——由任何 LLM 驱动。只需一条安装命令，即可立即使用。

curl -LsSf https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash

亮点：

• 交互式 TUI — 丰富的终端界面，支持流式响应
• 网络搜索 — 基于实时信息生成回复
• 无头模式 — 可以非交互式运行，适用于脚本和 CI
• 此外，还具备 SDK 的所有功能——远程沙盒、持久化存储、自定义技能以及人工审核流程

完整的功能列表请参阅CLI 文档。

LangGraph 原生支持

create_deep_agent 返回一个编译好的 LangGraph 图。您可以将其与流式处理、Studio、检查点等功能结合使用。

常见问题解答

为什么应该使用它？

• 100% 开源 — MIT 许可，完全可扩展
• 平台无关 — 适用于任何支持工具调用的大语言模型，包括前沿模型和开源模型
• 基于 LangGraph 构建 — 生产级运行时，支持流式处理、持久化和检查点
• 开箱即用 — 规划、文件访问、子智能体和上下文管理功能直接可用
• 秒级上手 — 使用 uv add deepagents 即可获得一个可用的智能体
• 分钟级定制 — 根据需求添加工具、更换模型或调整提示词

---

文档

• docs.langchain.com — 全面的文档，包括概念概述和指南
• reference.langchain.com/python — Deep Agents 包的 API 参考文档
• Chat LangChain — 与 LangChain 文档聊天，获取问题解答

讨论区：访问 LangChain 论坛，与社区交流技术问题、分享想法和反馈。

更多资源

• 示例 — 可运行的智能体和常见模式
• 贡献指南 — 学习如何为 LangChain 项目做出贡献，并找到适合初学者的问题
• 行为准则 — 我们的社区参与规范和标准

---

致谢

本项目的主要灵感来源于 Claude Code，最初主要是为了探究 Claude Code 的通用性，并在此基础上进一步增强其能力。

安全性

Deep Agents 采用“信任 LLM”的模式。智能体可以执行其工具允许的任何操作。应在工具或沙盒层面强制实施边界限制，而不是期望模型自我约束。更多信息请参阅安全策略。

Deep Agents 快速上手指南

Deep Agents 是一个“开箱即用”的智能体框架（Agent Harness）。它内置了任务规划、文件系统操作、Shell 执行、子代理委托及上下文管理等核心能力，让开发者无需手动编排提示词和工具，即可快速构建功能强大的 AI 智能体。

环境准备

• 操作系统：支持 Linux、macOS 和 Windows。
• Python 版本：建议 Python 3.10 或更高版本。
• 前置依赖：
  • 推荐使用 uv 进行包管理（速度更快），也可使用标准的 pip。
  • 需要配置好大模型 API Key（如 OpenAI、Anthropic 等），Deep Agents 本身不限制模型提供商。

国内加速建议： 如果安装速度较慢，可使用国内镜像源：

• pip: 添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数。
• uv: 设置环境变量 export UV_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple。

安装步骤

你可以选择以下任意一种方式进行安装：

方式一：使用 uv（推荐）

uv add deepagents

方式二：使用 pip

pip install deepagents
# 或使用国内镜像
pip install deepagents -i https://pypi.tuna.tsinghua.edu.cn/simple

可选：安装 CLI 命令行工具 如果你希望在终端直接体验类似 Claude Code 的交互式编程助手，可运行：

curl -LsSf https://raw.githubusercontent.com/langchain-ai/deepagents/main/libs/cli/scripts/install.sh | bash

基本使用

Deep Agents 的核心是通过 create_deep_agent 快速创建一个具备规划、文件读写和上下文管理能力的智能体。

1. 最小化示例

以下代码展示了如何创建一个默认智能体并执行任务（研究 LangGraph 并撰写总结）：

from deepagents import create_deep_agent

# 创建默认智能体
agent = create_deep_agent()

# 调用智能体执行任务
result = agent.invoke({"messages": [{"role": "user", "content": "Research LangGraph and write a summary"}]})

# 打印结果
print(result["messages"][-1].content)

2. 自定义配置

你可以轻松替换底层模型、添加自定义工具或修改系统提示词：

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

# 假设你有一个自定义工具 my_custom_tool
# from my_tools import my_custom_tool 

agent = create_deep_agent(
    model=init_chat_model("openai:gpt-4o"),  # 指定模型
    tools=[],                                # 添加额外工具列表
    system_prompt="You are a research assistant.", # 自定义系统提示词
)

result = agent.invoke({"messages": [{"role": "user", "content": "Analyze the current directory structure"}]})

3. 核心特性说明

创建后的智能体默认拥有以下能力，无需额外代码：

• 任务规划：自动使用 write_todos 拆解复杂任务。
• 文件操作：内置 read_file, write_file, edit_file, ls, grep 等工具。
• Shell 访问：可通过 execute 运行命令（默认在沙箱环境中）。
• 子代理：支持通过 task 工具将子任务委托给具有独立上下文的子代理。
• 上下文管理：对话过长时自动摘要，大输出自动保存为文件。

提示：create_deep_agent 返回的是一个编译好的 LangGraph 图，因此你可以直接使用 LangGraph 的高级功能，如流式输出（streaming）、检查点（checkpointing）和 LangSmith 调试。