AI大模型：（三）3.9 Deep Agents实现Agent

目录

1.Deep Agents 介绍

1.1.LangChain、LangGraph、Deep Agents 对比

1.2.如何选择

1.2.1.三层架构的本质定义

1. LangChain：智能体框架（The Framework）

2. LangGraph：智能体运行时（The Runtime）

3. Deep Agents：智能体驾驭层（The Harness）

1.2.2.真实场景下的选型决策

1.2.3.常见误区澄清

2.核心功能

2.1.核心理念：Model vs. Harness

2.2.智能体的“大脑”与“手脚”：核心能力详解

2.2.1.规划能力 (Planning Capabilities)：让智能体学会“列清单”

2.2.2.虚拟文件系统 (Virtual Filesystem)：智能体的“数字工作台”

2.2.3. 文件系统权限 (Filesystem Permissions)：智能体的“安全护栏”

2.2.4. 任务委派 (Task Delegation / Subagents)：打造“智能体团队”

2.2.5. 上下文与Token管理 (Context and Token Management)：智能体的“高效记忆术”

2.2.6. 代码执行 (Code Execution)：赋予智能体“动手能力”

2.2.7. 人机协同(Human-in-the-loop)：关键决策的“安全阀”

2.2.8. 智能体框架配置文件 (Harness Profiles)：一键切换“智能体人格”

2.3.智能体的“知识库”与“经验”：辅助系统

3.新功能

3.1.Interpreters

3.2.事件流式传输（Event streaming）

3.3.评分规则（Grading rubrics）     

4.完整代码实践

4.1.架构

4.2.代码

4.3.效果

1.Deep Agents 介绍

        Deep Agents（深度智能体） 是一个基于 LangChain 核心构建模块开发的独立库，它利用 LangGraph 运行时实现持久化执行、流式输出、人工介入等功能，旨在简化由大语言模型（LLM）驱动的智能体和应用的构建过程。它是一种“智能体框架（agent harness）。它与其他智能体框架一样，核心都是工具调用循环，但增加了使智能体能够可靠执行实际任务的内置功能：

• 在环境中执行操作
  通过工具执行操作，读写文件，运行代码

• 连接您的数据
  在恰当的时刻加载记忆、技能和领域知识

• 管理不断增长的上下文
  对历史进行摘要，并在长时间运行中将大型结果卸载存储

• 并行化处理任务
  将任务委派给在隔离上下文窗口中运行的通用或专用子智能体

• 保持人工介入
  在关键决策点暂停，等待人类批准

• 随时间持续改进
  根据实际使用情况更新记忆、技能和提示词