LangChain发布Deep Agents让多步骤AI代理实现规划、记忆与上下文隔离

背景介绍

随着大语言模型（LLM）在工具调用方面的能力提升，许多开发者开始构建基于 LLM 的智能代理。然而，大多数现有代理仅适用于短循环的工具调用，面对多步骤、状态保持以及大量中间产物的任务时容易失效。LangChain 为此推出了 Deep Agents，定位为一个“代理套件”，在 LangChain 的基础构件之上，直接使用 LangGraph 的运行时，实现持久化执行、流式输出以及人机交互工作流。

Deep Agents 核心功能

规划工具 write_todos：自动生成任务清单，实现任务分解与进度追踪。
文件系统工具：read_file、write_file、edit_file、ls、glob、grep 等，可将大段上下文写入文件，防止 Prompt 窗口溢出。
子代理 task 工具：支持在主代理内部生成专用子代理，实现上下文隔离与职责分离。
自动摘要与持久化记忆：内置 auto‑summarization，结合 LangGraph Memory Store，可跨线程保存信息。

规划与任务分解

Deep Agents 的 write_todos 工具让模型不再每一步都依赖即时 Prompt，而是先制定结构化计划。模型在执行过程中可以随时更新清单，适用于科研实验、代码生成或多阶段分析等需要严密步骤控制的场景。

文件系统式上下文管理

传统代理往往将所有生成内容塞入 Prompt，导致上下文窗口受限。Deep Agents 提供的文件系统工具将中间产物（如代码片段、搜索结果、报告草稿）写入虚拟文件系统，再按需读取。默认使用 StateBackend，在单线程内保持临时文件；亦支持 FilesystemBackend、LocalShellBackend 等多种后端，以满足不同部署需求。

子代理与上下文隔离

当主代理的任务过于繁杂时，可通过 task 工具启动子代理，将特定子任务交给专用实例处理。子代理拥有独立的工具集与上下文空间，避免信息噪声干扰主流程，从而提升整体推理质量并简化调试。

长期记忆与 LangGraph 集成

Deep Agents 完全遵循 LangGraph 的执行模型，返回 CompiledStateGraph 对象。借助 LangGraph 的 Memory Store，开发者可实现跨对话、跨会话的持久记忆，使得同一代理在多轮交互后仍能记住关键信息。

部署与使用指引

pip install -qU deepagents

随后在 Python 中引入并创建代理：

from deepagents import create_deep_agent

# 示例工具
def get_weather(city: str) -> str:
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    tools=[get_weather],
    system_prompt="You are a helpful assistant"
)

response = agent.invoke({
    "messages": [{"role": "user", "content": "What is the weather in SF?"}]
})

部署时可直接使用 LangGraph 的 streaming、Studio 与 checkpoint 功能，实现生产环境的高可用运行。

业界意义

Deep Agents 将规划、文件系统记忆与子代理机制标准化，为开发者提供“一站式”解决方案，显著降低构建复杂多步骤 AI 代理的门槛。随着企业对 LLM 代理化需求的增长，此类工具有望成为下一代智能工作流的基石，推动生成式 AI 从单轮交互向持续协作演进。

LangChain发布Deep Agents让多步骤AI代理实现规划、记忆与上下文隔离