deepagents Skill 技能

技能简介

deepagents 是 LangChain 团队推出的"开箱即用 Agent 框架"（agent harness）的 JavaScript/TypeScript 实现。它把 plan / filesystem / sub-agent / context management 这些通常要逐个 wire-up 才能跑的中间件打包成一条 createDeepAgent() 调用，让你装上 npm install deepagents 就能用——内置 write_todos、read_file、write_file、edit_file、ls、glob、grep、task（子代理委派）等全套工具，背后跑的是 LangGraph 生产级运行时（streaming、checkpointers、Studio 调试、持久化全部免费附送）。MIT 协议，provider 无关（兼容任何支持 tool-calling 的聊天模型）。

• 一句话定位：Batteries-included agent harness for JavaScript/TypeScript
• 核心价值：把"组装 Agent"从"接 prompt + 接工具 + 接上下文管理"简化到"调用一个工厂函数"

核心能力

• createDeepAgent() 一行工厂：默认绑定 plan + filesystem + 子 agent + 上下文管理；返回编译好的 LangGraph graph，可直接 invoke/stream。
• 规划工具 write_todos：把复杂任务拆解成 todo 列表，Agent 在每步后更新进度，避免长任务跑偏。
• 文件系统工具集：内置 read_file / write_file / edit_file / ls / glob / grep，Agent 可在工作内存里持续积累代码与中间产物。
• 子代理委派 task 工具：把局部任务分配给独立 context window 的子 agent，隔离长上下文与噪声。
• 运行时入口分流：deepagents 默认（Node/服务端）、deepagents/browser（浏览器友好，不含 Node-only 导出）、deepagents/node（显式 Node）。
• LangGraph 原生：返回 CompiledStateGraph，可挂 LangSmith 监控、checkpoint 持久化、Studio 调试、human-in-the-loop 工具节点。
• 可深度定制：createDeepAgent({ model, tools, systemPrompt, ... }) 可替换 ChatOpenAI / Anthropic / 其他模型；自定义 prompt 与中间件。
• 运行时示例：await agent.invoke({ "messages":[{ "role":"user", "content":"Research LangGraph and write a summary in summary.md" }] })，Agent 自己规划、调子 agent、读 docs、写文件。
• Python 镜像同步：Python 版（langchain-ai/deepagents）共享同名 API，跨语言项目可同构 Agent 代码。
• 持久化与可观测：自动继承 LangGraph 的 checkpoint / memory / Studio / tracing，便于生产部署。

安装配置

• npm 安装：npm install deepagents（npm 7+ 与 pnpm 8+ 自动装 peer deps；Yarn 需手动加 @langchain/core @langchain/langgraph @langchain/langgraph-checkpoint @langchain/langgraph-sdk langchain langsmith）。
• pnpm 安装：pnpm add deepagents。
• yarn 安装：yarn add deepagents 与上面手动 peer deps。
• 模型配置：默认依赖 LangChain chat model；在工厂里 new ChatOpenAI({ model: "gpt-5", temperature: 0 }) 或换 Anthropic。
• TypeScript 版本要求：5.0+。
• 运行时切换：浏览器项目用 import { createDeepAgent, StateBackend } from "deepagents/browser"；Node 项目用 import { createDeepAgent, FilesystemBackend } from "deepagents"。

使用步骤

1. 装包：npm install deepagents（含 langchain、@langchain/core、@langchain/langgraph 等 peer）。
2. 写最小 Agent：import { createDeepAgent } from "deepagents"; const agent = createDeepAgent();。
3. 发起任务：agent.invoke({ messages:[{ role:"user", content:"Research LangGraph and write a summary in summary.md" }] })。
4. 换成自定义模型：createDeepAgent({ model: new ChatOpenAI({ model:"gpt-5", temperature:0 }), tools:[myTool], systemPrompt:"..." })。
5. 加 LangSmith 调试：装 langsmith、跑 langchain log，Agent invoke 与中间 graph step 全程可见。
6. 挂 checkpoint 与持久化：通过 LangGraph 的 MemorySaver / PostgresSaver 在工厂调用前装配；适合长跑任务恢复。
7. 接 Studio 调试：用 npx langgraph dev 启动 Studio，把 createDeepAgent 输出当 graph 加载。
8. 添加自定义中间件：通过 LangGraph 的 middleware 拦截 Node 输入输出；在 createDeepAgent 配置里挂上。
9. 生产部署：把 LangGraph 运行时换成 production LangGraph API；用 checkpoint 持久化把会话挂到数据库。

适用场景

• 从 prompt 直接产出可演示 demo：快速把"研究 X、Agent 写报告、存文件"这类任务跑成工作 demo 而非裸 API。
• 长任务研究 Agent：写报告 / 写代码 / 跑 multi-step 调研，靠 filesystem 子代理自动归整。
• 代码生成辅助 Agent：把 createDeepAgent 当 IDE 内部"项目级 agent"嵌入自家产品。
• 多模型切换场景：换 Anthropic / OpenAI / Ollama 模型只改一行 model 配置，agent 主体不变。
• 原型验证：用 LangSmith Studio 调试 prompt / 工具调用 / 中间件，不必从零搭 LangGraph。
• 生产部署：与 LangGraph persistence / checkpoint 集成，做成多用户长期运行的 SaaS。
• 教学与学习：作为 LangGraph 的"傻瓜式入口"教学生先跑起来，再深入 graph 概念。

适用人群

• Node/TypeScript 全栈工程师：要在自家服务里嵌入"Agent-as-a-Feature"。
• AI 应用产品经理：快速验证"AI 帮我研究 X"这类需求的可行性。
• LangGraph 老用户：希望跳过 wiring、立刻拿到生产可用的 graph。
• AI 编程教育者：把 createDeepAgent 当 LangGraph 入门教材。
• SaaS 创业者：用 deepagents + LangGraph persistence 拼 MVP。
• DevTools / IDE 工具开发者：把 deepagents 集成进 IDE 内置 AI 助手。

官方链接

• npm 包：https://www.npmjs.com/package/deepagents
• GitHub 仓库：https://github.com/langchain-ai/deepagentsjs
• Python 镜像：https://github.com/langchain-ai/deepagents
• 官方文档：https://docs.langchain.com/oss/javascript/deepagents/overview
• 社区支持：https://forum.langchain.com
• 协议：MIT License
• 维护方：LangChain
• 当前版本：1.14.1（v1.x）