LangChain发布深度代理：用于多步人工智能代理中规划、内存和上下文隔离的结构化运行时

大部分LLM代理在缩短工具调用循环时表现良好，但一旦任务变得多步骤、状态化和需要大量工件，就会开始出现问题。"LangChain的深度代理"正是为此而设计的。LangChain将这个项目描述为一种“代理绑定”：一个基于LangChain代理构建模块且由LangGraph运行时提供长期执行、流式传输和人机交互流程的独立库。

重要的是，深度代理并没有引入一个与LangGraph分离的新推理模型或新运行时。相反，它围绕标准工具调用循环打包了一系列默认值和内置工具。LangChain团队将其定位为开发人员的更容易的起点，这些开发者需要能够规划、管理大量上下文、委派子任务，并在对话中持久化信息，同时仍保留在需要时转移到更简单的LangChain代理或自定义LangGraph工作流程的选项。

默认包含深度代理的内容

深度代理的GitHub存储库直接列出核心组件。其中包括名为write_todos的计划工具，如文件系统工具read_file、write_file、edit_file、ls、glob和grep，通过execute访问外壳并进行沙盒操作，用于生成子代理的task工具，以及如自动摘要和将大型输出保存到文件等内置上下文管理功能。

这种框架很重要，因为许多代理系统将规划、中间存储和子任务委派留给应用程序开发者。深度代理将这些组件移动到默认运行时。

规划和任务分解

深度代理包括一个内置的write_todos工具用于规划和任务分解。其目的是明确的：代理可以将复杂任务分解为离散步骤，跟踪进度，并在出现新信息时更新计划。

没有规划层，模型倾向于从当前提示中即兴发挥每个步骤。使用write_todos后，工作流程变得更加结构化，这对于需要进行多步骤的研究任务、编码会话或分析作业更有用。

基于文件系统的上下文管理

第二个核心功能是使用文件系统工具来管理上下文。这些工具允许代理将大量上下文卸载到存储中，而不是将所有内容都保存在活动提示窗口中。LangChain团队明确指出，这有助于防止上下文窗口溢出并支持可变长度的工具结果。

这是一个比关于“记忆”的模糊声明更具体的设计选择。代理可以将笔记、生成的代码、中间报告或搜索输出写入文件，并在稍后检索它们。这使系统更适合输出本身成为工作状态一部分的长期任务。

深度代理还支持这种虚拟文件系统的多种后端类型。定制文档列出了StateBackend、FilesystemBackend、LocalShellBackend、StoreBackend和CompositeBackend。默认情况下，系统使用StateBackend，它将一个临时的文件系统存储在LangGraph状态中，以支持单个线程。

子代理和上下文隔离

深度代理还包括一个用于生成子代理的内置task工具。此工具允许主代理创建用于上下文隔离的专门子代理，这样就可以保持主线程更干净，同时让系统深入特定子任务。

这是对代理系统常见故障模式的一个更清晰的答案。一旦单个线程积累了过多的目标、工具输出和临时决策，模型的品质通常会下降。将工作分割成子代理可以减少这种过载并使编排路径更容易调试。

长期记忆和LangGraph集成

深度代理的GitHub存储库还描述了长期记忆作为一个内置功能。深度代理可以使用LangGraph的内存存储跨线程扩展持久记忆，允许代理从前一次对话中保存和检索信息。

在实现方面，深度代理完全保持在LangGraph执行模型之内。定制文档指定create_deep_agent(...)返回一个CompiledStateGraph。生成的图可用于LangGraph标准功能，如流、Studio和检查点。

深度代理不是一个阻止对运行时功能访问的并行抽象层；它是一个预构建的带有默认设置的图。

部署细节

对于部署，官方快速入门展示了最小的Python设置：安装deepagents以及类似tavily-python的搜索提供商，导出您的模型API密钥和搜索API密钥，定义一个搜索工具，然后使用工具调用模型通过create_deep_agent(...)创建代理。文档指出，深度代理需要工具调用支持，示例工作流程是用您的工具和system_prompt初始化代理，然后使用agent.invoke(...)运行它。LangChain团队还指出了适用于生产的LangGraph部署选项，这是合适的，因为深度代理运行在LangGraph运行时上，并支持内置流式传输以观察执行。