Deepagents 实战指南用一体化 Agent 框架快速搭出会规划、能落地的 AI 智能体【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents当你想让 AI 智能体独立完成多步骤任务——比如“查一遍数据库、找出收入最高的员工、再把结果写成报告”——最耗时的往往不是模型本身而是你要自己搭的“运行外壳”上下文怎么管理、中间产物放哪、要不要把子任务拆给别的 agent 干。Deepagents 是 LangChain 生态开源的 agent harnessharness 可理解为包住智能体运行流程的一套骨架它把规划、文件系统、子代理、记忆默认打包好让你少写大量脚手架代码把精力放在业务逻辑上。任务一长问题就来了单次对话式问答一个 LLM 调用就够可任务一旦变成“查资料、读结果、写文件、出报告”上下文会迅速膨胀模型容易跑偏。Deepagents 就是为这类长程、多步骤任务调过默认值的长对话自动摘要压缩工具输出可以外溢到磁盘agent 自己管理上下文默认内置 todo 规划先列任务清单再逐项执行并更新状态任何一步都能流式观察执行中断后可从检查点恢复仓库里的 text-to-SQL 示例很典型一句自然语言提问agent 会先列出“查看表结构、按员工统计收入、再做地区拆分”的 todo然后逐步执行。开箱即带的几件标配不用自己拼的默认能力文件系统读取、写入、编辑、搜索底层可切换本地磁盘、沙箱或远程后端子代理sub-agents把子任务交给独立上下文的 agent主 agent 不被中间过程污染你自己的 LangGraph 图也能挂进来当子代理Shell 与技能skills在所选沙箱里跑命令skills 是可按需加载的复用行为持久记忆跨会话召回状态后端可插拔人在回路工具调用执行前可审批、修改或拒绝不想写代码直接跑 dcode️ 仓库同时带一个预置的终端编码 agentdcode定位类似 Claude Code、Cursor在当前目录直接对话它能改文件、跑命令、联网检索也支持远程沙箱和持久记忆。界面是文本 TUI底部状态栏会显示当前会话的模型与 token 用量。3 步跑通最小示例装 SDKuv add deepagents想浏览完整源码可先git clone https://gitcode.com/GitHub_Trending/de/deepagents用create_deep_agent(model..., tools[...], system_prompt...)几行 Python 建出 agent模型可换支持主流 API 模型以及 Ollama、vLLM 等自托管的、支持工具调用的模型像调用普通函数一样agent.invoke(...)它会自己规划、读写文件、管理上下文想把 agent 装进现有环境Deepagents 提供了几条现成的集成路径ACP 适配器把 agent 作为外部代理接入 Zed 等编辑器和 Claude Code、Codex CLI 并排出现在代理选择菜单里MCP直接挂载任何 MCP 服务器的工具沙箱伙伴与 Daytona、Modal、Runloop、Vercel 等沙箱服务集成execute工具的能力边界随之调整每一步都能看见基于 LangGraph 构建意味着运行过程可流式、可检查点、可中断恢复。配合 LangSmith 追踪模型调用、工具执行、todo 状态变化都逐条可见——排查“agent 哪一步开始跑偏”时比盯着最终输出效率高得多。如何判断它适合你任务步骤多、需要文件与外部工具配合合适这正是默认配置瞄准的场景只是简单对话或单次工具调用直接用更轻的 LangChaincreate_agent即可需要逐步控制编排流程下沉到 LangGraph 自己画图安全上遵循“信任模型、管住工具”边界靠工具与沙箱权限划上生产时留意给 agent 的文件路径与 shell 范围接下来先看哪根目录 README.md 扫一遍功能清单按 Quickstart 跑第一个例子终端用法从 libs/code/ 的 README 入手自建 agent 从 libs/deepagents/ 入手不想一上来读源码openwiki/ 里有现成的架构与概念文档第一版跑通后用 libs/evals/ 做一轮行为评估看看 agent 在哪些任务上会翻车【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