快速入门

几分钟内构建你的第一个 Deep Agent

本指南将引导你创建第一个具备规划、文件系统工具和子 Agent 功能的 Deep Agent。你将构建一个能够进行研究并撰写报告的研究 Agent。

正在使用 AI 编码助手？

• 安装 LangChain 文档 MCP 服务器，让你的 Agent 能够访问最新的 LangChain 文档和示例。
• 安装 LangChain Skills 以提升你的 Agent 在 LangChain 生态系统任务上的表现。

前置条件

开始之前，请确保你拥有模型提供商的 API 密钥（例如 Gemini、Anthropic、OpenAI）。

Deep Agents 需要支持工具调用的模型。参阅自定义配置了解如何配置模型。

步骤 1：安装依赖

pip

pip install deepagents tavily-python

本指南使用 Tavily 作为示例搜索服务提供商，但你可以替换为任何搜索 API（例如 DuckDuckGo、SerpAPI、Brave Search）。

步骤 2：设置 API 密钥

Google

export GOOGLE_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

OpenAI

export OPENAI_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Anthropic

export ANTHROPIC_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

OpenRouter

export OPENROUTER_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Fireworks

export FIREWORKS_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Baseten

export BASETEN_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Ollama

# 本地：Ollama 必须在你的机器上运行
# 云端：设置 Ollama API 密钥用于托管推理
export OLLAMA_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

其他

# 设置你的提供商的 API 密钥
export <PROVIDER>_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Deep Agents 支持任何 LangChain Chat Model。请设置你所用提供商的 API 密钥。

步骤 3：创建搜索工具

import os
from typing import Literal

from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])


def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

步骤 4：创建 Deep Agent

传入 provider:model 格式的 model 字符串，或已初始化的模型实例。参阅支持的模型了解所有提供商，以及推荐模型查看经过测试的推荐方案。

Google

# 用于引导 Agent 成为专业研究员的系统提示词
research_instructions = """You are an expert researcher. Your job is to conduct thorough research and then write a polished report.

You have access to an internet search tool as your primary means of gathering information.

## `internet_search`

Use this to run an internet search for a given query. You can specify the max number of results to return, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    model="google_genai:gemini-3.1-pro-preview",
    tools=[internet_search],
    system_prompt=research_instructions,
)

步骤 5：运行 Agent

result = agent.invoke({"messages": [{"role": "user", "content": "What is langgraph?"}]})

# 打印 Agent 的响应
print(result["messages"][-1].content)

使用 LangSmith 追踪你的 Agent 的规划步骤、工具调用和子 Agent 委派。按照可观测性快速入门进行设置。

工作原理

你的 Deep Agent 会自动执行以下操作：

1. 规划方法，使用内置的 write_todos 工具将研究任务分解。
2. 进行研究，通过调用 internet_search 工具收集信息。
3. 管理上下文，使用文件系统工具（write_file、read_file）卸载大型搜索结果。
4. 生成子 Agent，根据需要将复杂子任务委派给专门的子 Agent。
5. 合成报告，将研究结果整合为连贯的响应。

示例

有关可以使用 Deep Agents 构建的 Agent、模式和应用程序，请参阅示例。

Streaming

Deep Agents 内置了 Streaming 功能，可使用 LangGraph 实时获取 Agent 执行过程的更新。 这使你能够逐步观察输出，并审查和调试 Agent 及子 Agent 的工作，如工具调用、工具结果和 LLM 响应。

后续步骤

现在你已经构建了第一个 Deep Agent：

• 自定义你的 Agent：了解自定义选项，包括自定义系统提示词、工具和子 Agent。
• 添加长期记忆：启用跨对话的持久化记忆。
• 部署到生产环境：使用托管 Deep Agents 在 LangSmith 中创建、运行和操作 Deep Agents。

---

连接这些文档到 Claude、VSCode 等工具，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面或提交 Issue。