Deep Agents 实战一个开箱即用的 AI 代理框架【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是一个batteries-included自带全套装备的agent harness解决的核心问题是不自己拼装一堆工具就能得到一个能干长活、会分任务、会管上下文的 AI 代理。它基于 LangChain 和 LangGraph 构建MIT 许可支持任何能调用工具的模型。 一、它凭什么值得关注多数代理框架给的是积木拼装靠你自己。Deep Agents 反过来默认配置就是为长周期、多步骤任务调过的装完即可规划、读写文件、把子任务派给子代理。更关键的是它同时做到了模型无关和生产级。前沿 API、开源权重模型、自己跑的 Ollama 都能接底层 LangGraph 提供流式输出、持久化和检查点执行状态落盘中断后从断点恢复这些生产基建不用你自建。值得一提的还有可替换性任何组件都能扩展、覆盖或整体替换不需要 fork。你甚至可以把一张自己编译的 LangGraph 图当作子代理插进来。⚙️ 二、核心机制拆解主循环怎么走。输入很简单把模型、工具列表、系统提示词、可选的子代理配置交给create_deep_agent()。处理阶段SDK 依次解析模型与 profile组装一份有固定顺序的中间件栈文件系统、子代理、摘要、人工审批各就各位再把整套配置交给 LangChain 的create_agent()由 LangGraph 驱动模型→工具→模型的循环。输出是一张编译好的图传入消息、调用invoke拿到结果全程可流式推送。更贴近实战的是Ralph 循环一种以流行模式命名的迭代执行方式。你给出一个任务代理带着全新上下文跑一轮把成果写进文件系统下一轮还是同一个任务但基于磁盘上的状态继续推进如此循环直到任务完成或触达迭代上限。图中展示了 Ralph 循环的一个完整周期任务输入、代理执行、成果持久化到文件系统再回到任务继续循环可以类比接力赛交接棒上下文是跑者的腿会累所以每轮换新的文件系统是赛道换多少个跑者赛道上的进度都在。️ 三、架构与模块划分deepagents/ ├── libs/ │ ├── deepagents/ # SDK核心create_deep_agent、中间件、后端、profiles │ ├── code/ # dcode 终端编码代理Textual TUI支持远程沙箱 │ ├── acp/ # ACP 协议适配器把代理接进 Zed 等编辑器 │ ├── talon/ # 长时运行代理宿主渠道、定时任务、后台任务 │ ├── evals/ # 端到端评测框架与基准数据集 │ └── partners/ # 沙箱与平台集成Daytona、Modal、Runloop、Vercel ├── examples/ # 可运行示例ralph_mode、deep_research、text-to-sql 等 └── openwiki/ # 架构与概念文档每个包都有独立的pyproject.toml和uv.lock独立版本化。依赖方向是单向的code、acp、talon 都依赖 SDK 核心SDK 不反向依赖产品层。改行为前先定位它属于哪一层可复用的 harness 行为放deepagents/终端专属的流程放code/。 四、五分钟上手Deep Agents 安装与最小示例Deep Agents 安装一行命令uv add deepagents最小可运行示例from deepagents import create_deep_agent agent create_deep_agent( modelopenai:gpt-5.5, # 任何支持工具调用的模型都行 ) result agent.invoke({messages: Research LangGraph and write a summary})这几行之外不用配任何东西代理会自己列待办、读写文件对话变长时还会压缩上下文。 五、真实场景演练Deep Agents 使用场景长任务研究不爆上下文痛点一个研究任务跑了几十个工具调用上下文先炸了。Deep Agents 用子代理每个带独立上下文窗口分拆任务摘要中间件负责压缩旧对话。示例 examples/deep_research/ 就是这套打法整个过程可以在 LangSmith 追踪里逐步回放。追踪界面展示了一次文本转 SQL 任务的完整执行各中间件步骤、每次模型调用的耗时与 token、代理自己写下的待办列表自主迭代让代理自己把活干完痛点长任务经常中途失速因为模型忘了自己在干什么。examples/ralph_mode/ 里的 Ralph 循环正是解法python ralph_mode.py Build a Python course --iterations 5代理每轮都拿新鲜上下文用文件系统和 git 当记忆中途断了也不丢进度。终端编码dcode 开箱即用痛点想在终端里干活又不想离开终端。dcodeDeep Agents Code就是现成方案libs/code/ 实现支持 MCP 工具加载、模型流式重试、远程沙箱配置见 libs/code/README.md。dcode 启动界面LangSmith 追踪已开启、MCP 工具已加载底部状态栏显示当前模型与 token 用量可直接开始对话编辑器集成接进 Zed痛点代理困在终端里IDE 用不上。libs/acp/ 的适配器把代理通过 stdio 暴露给支持 ACPAgent Client Protocol编辑器与代理之间的通信协议的编辑器配合持久化检查点进程重启后还能接着上次聊。 六、从默认到定制扩展点很明确换模型、加工具、改提示词、配子代理以及换 profile 与后端。落到代码上就是改这几行agent create_deep_agent( modelanthropic:claude-sonnet-4, # 第一行换模型 tools[my_query_tool], # 第二行塞自己的函数 system_prompt你是开源社区支持助手。, # 第三行换人设 subagents[reviewer], # 第四行分派子任务 )工具不局限于 Python 函数任何 MCP 服务器都能作为工具接入。生态里最常碰的是三样LangSmith追踪、评测、部署、远程沙箱Modal、Daytona、Runloopralph 传--sandbox modal就让代码在远端跑、ACP 编辑器接入。注意一点自加自定义中间件时它是相对核心栈的固定位置剪接进去的顺序有意义别随手挪。⚠️ 七、踩坑与注意事项安全边界Deep Agents 遵循信任 LLM模型——代理能做工具允许的一切。边界要设在工具或沙箱层比如 ralph 的--sandbox modal让代码跑在远程沙箱--shell-allow-list白名单放行哪些 shell 命令。别指望模型自我约束。上下文与成本默认配置为长任务调过但长对话依然烧 token。内置的摘要和落盘卸载能扛住主路径自己写循环时记得给上下文留预算。测试门槛新功能或修 bug 都要带单元测试测试断言的是可观察行为不是把实现逻辑复述一遍。项目把未接受的 warning 当错误处理贡献前先把包内测试跑绿。 八、社区与贡献入口想参与的话入口都在仓库里AGENTS.md — 开发规范与 PR 约定libs/DEVELOPMENT.md — 环境搭建与改-测-查循环openwiki/ — 架构与概念文档examples/ — 可运行示例适合照着读功能、文档、你发现的 bug维护者都欢迎。建议先从 AGENTS.md 读起再挑一个 examples/ 里的例子跑一遍。 九、写在最后Deep Agents 给你的是一台装好就跑的长任务代理规划、文件、子代理、上下文管理都在默认值里任何零件又能单独换掉。它适合想把研究、编码、内容生产这类多步骤长活自动化又不想从零搭基建的团队和个人。下一步不用想太多装个 dcode让终端里的代理先跑起来。【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
Deep Agents 实战：一个开箱即用的 AI 代理框架
Deep Agents 实战一个开箱即用的 AI 代理框架【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagentsDeep Agents 是一个batteries-included自带全套装备的agent harness解决的核心问题是不自己拼装一堆工具就能得到一个能干长活、会分任务、会管上下文的 AI 代理。它基于 LangChain 和 LangGraph 构建MIT 许可支持任何能调用工具的模型。 一、它凭什么值得关注多数代理框架给的是积木拼装靠你自己。Deep Agents 反过来默认配置就是为长周期、多步骤任务调过的装完即可规划、读写文件、把子任务派给子代理。更关键的是它同时做到了模型无关和生产级。前沿 API、开源权重模型、自己跑的 Ollama 都能接底层 LangGraph 提供流式输出、持久化和检查点执行状态落盘中断后从断点恢复这些生产基建不用你自建。值得一提的还有可替换性任何组件都能扩展、覆盖或整体替换不需要 fork。你甚至可以把一张自己编译的 LangGraph 图当作子代理插进来。⚙️ 二、核心机制拆解主循环怎么走。输入很简单把模型、工具列表、系统提示词、可选的子代理配置交给create_deep_agent()。处理阶段SDK 依次解析模型与 profile组装一份有固定顺序的中间件栈文件系统、子代理、摘要、人工审批各就各位再把整套配置交给 LangChain 的create_agent()由 LangGraph 驱动模型→工具→模型的循环。输出是一张编译好的图传入消息、调用invoke拿到结果全程可流式推送。更贴近实战的是Ralph 循环一种以流行模式命名的迭代执行方式。你给出一个任务代理带着全新上下文跑一轮把成果写进文件系统下一轮还是同一个任务但基于磁盘上的状态继续推进如此循环直到任务完成或触达迭代上限。图中展示了 Ralph 循环的一个完整周期任务输入、代理执行、成果持久化到文件系统再回到任务继续循环可以类比接力赛交接棒上下文是跑者的腿会累所以每轮换新的文件系统是赛道换多少个跑者赛道上的进度都在。️ 三、架构与模块划分deepagents/ ├── libs/ │ ├── deepagents/ # SDK核心create_deep_agent、中间件、后端、profiles │ ├── code/ # dcode 终端编码代理Textual TUI支持远程沙箱 │ ├── acp/ # ACP 协议适配器把代理接进 Zed 等编辑器 │ ├── talon/ # 长时运行代理宿主渠道、定时任务、后台任务 │ ├── evals/ # 端到端评测框架与基准数据集 │ └── partners/ # 沙箱与平台集成Daytona、Modal、Runloop、Vercel ├── examples/ # 可运行示例ralph_mode、deep_research、text-to-sql 等 └── openwiki/ # 架构与概念文档每个包都有独立的pyproject.toml和uv.lock独立版本化。依赖方向是单向的code、acp、talon 都依赖 SDK 核心SDK 不反向依赖产品层。改行为前先定位它属于哪一层可复用的 harness 行为放deepagents/终端专属的流程放code/。 四、五分钟上手Deep Agents 安装与最小示例Deep Agents 安装一行命令uv add deepagents最小可运行示例from deepagents import create_deep_agent agent create_deep_agent( modelopenai:gpt-5.5, # 任何支持工具调用的模型都行 ) result agent.invoke({messages: Research LangGraph and write a summary})这几行之外不用配任何东西代理会自己列待办、读写文件对话变长时还会压缩上下文。 五、真实场景演练Deep Agents 使用场景长任务研究不爆上下文痛点一个研究任务跑了几十个工具调用上下文先炸了。Deep Agents 用子代理每个带独立上下文窗口分拆任务摘要中间件负责压缩旧对话。示例 examples/deep_research/ 就是这套打法整个过程可以在 LangSmith 追踪里逐步回放。追踪界面展示了一次文本转 SQL 任务的完整执行各中间件步骤、每次模型调用的耗时与 token、代理自己写下的待办列表自主迭代让代理自己把活干完痛点长任务经常中途失速因为模型忘了自己在干什么。examples/ralph_mode/ 里的 Ralph 循环正是解法python ralph_mode.py Build a Python course --iterations 5代理每轮都拿新鲜上下文用文件系统和 git 当记忆中途断了也不丢进度。终端编码dcode 开箱即用痛点想在终端里干活又不想离开终端。dcodeDeep Agents Code就是现成方案libs/code/ 实现支持 MCP 工具加载、模型流式重试、远程沙箱配置见 libs/code/README.md。dcode 启动界面LangSmith 追踪已开启、MCP 工具已加载底部状态栏显示当前模型与 token 用量可直接开始对话编辑器集成接进 Zed痛点代理困在终端里IDE 用不上。libs/acp/ 的适配器把代理通过 stdio 暴露给支持 ACPAgent Client Protocol编辑器与代理之间的通信协议的编辑器配合持久化检查点进程重启后还能接着上次聊。 六、从默认到定制扩展点很明确换模型、加工具、改提示词、配子代理以及换 profile 与后端。落到代码上就是改这几行agent create_deep_agent( modelanthropic:claude-sonnet-4, # 第一行换模型 tools[my_query_tool], # 第二行塞自己的函数 system_prompt你是开源社区支持助手。, # 第三行换人设 subagents[reviewer], # 第四行分派子任务 )工具不局限于 Python 函数任何 MCP 服务器都能作为工具接入。生态里最常碰的是三样LangSmith追踪、评测、部署、远程沙箱Modal、Daytona、Runloopralph 传--sandbox modal就让代码在远端跑、ACP 编辑器接入。注意一点自加自定义中间件时它是相对核心栈的固定位置剪接进去的顺序有意义别随手挪。⚠️ 七、踩坑与注意事项安全边界Deep Agents 遵循信任 LLM模型——代理能做工具允许的一切。边界要设在工具或沙箱层比如 ralph 的--sandbox modal让代码跑在远程沙箱--shell-allow-list白名单放行哪些 shell 命令。别指望模型自我约束。上下文与成本默认配置为长任务调过但长对话依然烧 token。内置的摘要和落盘卸载能扛住主路径自己写循环时记得给上下文留预算。测试门槛新功能或修 bug 都要带单元测试测试断言的是可观察行为不是把实现逻辑复述一遍。项目把未接受的 warning 当错误处理贡献前先把包内测试跑绿。 八、社区与贡献入口想参与的话入口都在仓库里AGENTS.md — 开发规范与 PR 约定libs/DEVELOPMENT.md — 环境搭建与改-测-查循环openwiki/ — 架构与概念文档examples/ — 可运行示例适合照着读功能、文档、你发现的 bug维护者都欢迎。建议先从 AGENTS.md 读起再挑一个 examples/ 里的例子跑一遍。 九、写在最后Deep Agents 给你的是一台装好就跑的长任务代理规划、文件、子代理、上下文管理都在默认值里任何零件又能单独换掉。它适合想把研究、编码、内容生产这类多步骤长活自动化又不想从零搭基建的团队和个人。下一步不用想太多装个 dcode让终端里的代理先跑起来。【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
