DeepAgents学习笔记一：构建深度多智能体

在构建复杂LLM应用的实践中，经常会遇到框架选型的困惑。LangChain、LangGraph和DeepAgents——这三者到底有什么区别？又该如何选择？

一. 概述

DeepAgents是一个独立的库，它建立在LangChain核心构建模块之上，旨在成为构建LLM驱动型智能体和应用的最简便方式。它内置了任务规划功能、用于上下文管理的文件系统、子智能体生成机制和长期记忆能力。这意味着，你可以用它来完成那些复杂、多步骤且需要自主规划的任务。

为了更清晰地理解这三个项目在技术栈中的角色，可以做一个简单类比：

• LangChain（框架）：负责“动作”，是核心的智能体框架。它封装了LLM与工具之间的交互方式，提供灵活的智能体结构，但不包含规划、记忆或文件系统，适合开发者自主定制逻辑。
• LangGraph（运行时）：负责“流程”，是外层的运行时。它把执行过程转化为可管理的图结构，支持循环、并行和持久化，保障智能体执行的稳定与可控。
• DeepAgents（工具包）：负责“组织”，是最外层的工具包。它内置规划器、子智能体、文件系统和持久存储，让智能体从“能执行”升级为“能组织、能管理、能记忆”的深度智能体。

LangChain vs LangGraph vs DeepAgents 使用场景总结

那么，在什么情况下应该选择哪一个？

何时使用 LangChain？

• 你想快速构建智能体与自主应用。
• 你需要对模型、工具、智能体循环提供标准抽象（适用于单智能体场景）。
• 你需要一个易用且灵活的开发框架。
• 你在开发简单直接的智能体应用，没有复杂的编排需求。

何时使用 LangGraph？

• 你需要对智能体编排做细粒度、底层的控制。
• 你需要持久化执行，支持长时间运行、有状态的智能体。
• 你在构建结合确定性步骤与智能体步骤的复杂工作流。
• 你需要可直接用于生产环境的智能体部署基础设施。

何时使用 Deep Agents SDK？

• 你在构建长期运行、持续运营、自主规划的智能体。
• 你在构建需要处理复杂、多步骤任务的智能体。
• 你需要使用预定义工具：如文件系统操作、自定义工具、自动化上下文工程等。
• 你希望直接使用预设提示词与子智能体能力。

二. 构建子智能体

1. 通过 dict 配置 Subagents 子智能体

使用字典来配置子智能体是最直接的方式。下面代码中的注释说明了每个参数的作用，简单明了。

# 案例4： 演示字典类型创建子智能体！！ 并且演示异步执行
from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent
import os
import asyncio
from dotenv import load_dotenv, find_dotenv
import json
from langchain_core.tools import tool

load_dotenv()

# 极简初始化（自动读取OPENAI环境变量）
model = init_chat_model(model="qwen-max", model_provider="openai",
                        api_key=os.getenv("DASHSCOPE_API_KEY"),
                        base_url=os.getenv("DASHSCOPE_BASE_URL"))

model_2 = init_chat_model(model="qwen3.5-plus-2026-04-20", model_provider="openai",
                          api_key=os.getenv("DASHSCOPE_API_KEY"),
                          base_url=os.getenv("DASHSCOPE_BASE_URL"))

# 示例：创建一个主智能体，它拥有三个助手

@tool
def get_weather():
    """获取天气信息"""
    return "今天天气晴朗，温度28度,湿度0.8"

# 1. 创建一个天气助手
weather_agent = {
    "name": "weather_helper",           # 名称
    "description": "用于查询天气信息智能助手，当用户询问查询天气的时候，调用此助手完成任务！",  # 描述，给main_agent看的
    "system_prompt": "你是一个天气查询助手'",   # 系统提示词，给llm模型看的
    "tools": [get_weather],
    "model": model_2
}

# 2. 计算助手
math_agent = {
    "name": "math_helper",             # 名称
    "description": "用于处理数据计算问题！",        # 描述，给main_agent看的
    "system_prompt": "你是一个严谨的数学助手，帮助用户回答计算算数等问题！",  # 系统提示词，给llm模型看的
    "tools": []
}

translate_agent = {
    "name": "translate_helper",        # 名称
    "description": "用于中英相互翻译的助手！",      # 描述，给main_agent看的
    "system_prompt": "你是一个中英翻译助手，如果是中文翻译成英文，如果是英文就翻译成对应的中文！",  # 系统提示词，给llm模型看的
    "tools": []
}

# 4. 创建主智能体
main_agent = create_deep_agent(
    model=model,
    tools=[],
    subagents=[weather_agent, math_agent, translate_agent],
    system_prompt="你是一个全能管家，你会根据用户的需求，调用对应子智能体和助手实现对应的功能！注意：不能自己执行，必须调用子智能体！"
)

async def test_steam(query):
    """使用mainagent执行传入的问题"""
    stream = main_agent.astream({"messages": [{"role": "user", "content": query}]})
    async for chunk in stream:
        for node_name, state in chunk.items():
            if state is None or "messages" not in state:
                continue
            messages = state["messages"]
            if messages and isinstance(messages, list):
                last_msg = messages[-1]
                if node_name == "model":
                    if last_msg.tool_calls:
                        for tool_call in last_msg.tool_calls:
                            if tool_call['name'] == 'task':
                                print(f"【model】决定调用子智能体{tool_call['args']['subagent_type']}")
                            else:
                                print(f"【model】决定调用子工具{tool_call['name']},传入的参数为：{tool_call['args']}")
                    elif last_msg.content:
                        print(f"【model】返回最终结果：{last_msg.content}")
                elif node_name == "tools":
                    name = last_msg.name
                    content = last_msg.content
                    print(f"【agent】调用了具体的工具{name},返回结果为：{content[:100]+'...'}")

if __name__ == "__main__":
    async def batch_run():
        tast1 = test_steam("北京今天的天气怎么样？")
        tast2 = test_steam("请将'我要上楼打他'翻译成英文！")
        await asyncio.gather(tast1, tast2)

    asyncio.run(batch_run())

执行结果：

2. 通过 CompiledSubAgent 自定义智能体

有些场景下，你可能需要用 LangChain 的 create_agent 来构建智能体，然后将其嵌入 DeepAgents 框架中。DeepAgents 为此提供了 CompiledSubAgent 作为兼容桥梁。

# 实验7： langchain create_agent 兼容 deepagents框架
import os
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain_core.tools import tool
from deepagents import create_deep_agent, CompiledSubAgent
from dotenv import load_dotenv, find_dotenv

load_dotenv()

model = init_chat_model(model="qwen-max", model_provider="openai",
                        api_key=os.getenv("DASHSCOPE_API_KEY"),
                        base_url=os.getenv("DASHSCOPE_BASE_URL"))

@tool
def get_weather(city: str) -> str:
    """查询指定城市的天气"""
    return f"{city}的天气是晴朗，25度"

# 使用 langchain 的 create_agent 创建自定义 agent
agent = create_agent(model=model, tools=[get_weather])

# 将其包装为 CompiledSubAgent
custom_subagent = CompiledSubAgent(
    name="subagent",
    description="子任务，可以调用天气工具，查询天气信息！",
    runnable=agent
)

deep_agent = create_deep_agent(
    model=model,
    tools=[],
    system_prompt="你是一个智能助手,主要调用子袋里实现功能，你只做任务分配,可以调用subagent实现功能！！",
    subagents=[custom_subagent]
)

stream = deep_agent.stream({"messages": [{"role": "user", "content": "查询北京的天气！"}]})
for chunk in stream:
    print(chunk)
    print("=" * 100)

执行结果：