深度智能体教程：使用LangGraph和Web搜索工具创建高级AI智能体

想象一下，一个人工智能不仅能回答你的问题，还能提前思考、分解任务、创建待办事项清单，甚至还能生成子智能体来完成工作。这就是深度智能体（Deep Agents）的愿景。人工智能智能体已经将逻辑逻辑模型（LLM）的功能提升到了一个新的高度，今天我们将深入了解深度智能体，看看它们如何能将这种能力进一步提升。深度智能体构建于 LangGraph 之上，LangGraph 是一个专门用于创建能够处理复杂任务的智能体的库。让我们深入了解深度智能体，理解它们的核心功能，然后使用该库构建我们自己的人工智能智能体。

深度智能体

LangGraph 为有状态工作流提供了一个基于图的运行时环境，但你仍然需要从头开始构建自己的规划、上下文管理或任务分解逻辑。而基于 LangGraph 的深度智能体则开箱即用地集成了规划工具、基于虚拟文件系统的内存和子智能体编排功能。

您可以通过独立的 deepagents 库使用 DeepAgents。它包含规划功能，可以生成子代理，并使用文件系统进行上下文管理。它还可以与 LangSmith 结合使用，进行部署和监控。此处构建的代理默认使用“claude-sonnet-4-5-20250929”模型，但您可以对其进行自定义。在开始创建代理之前，让我们先了解一下其核心组件。

Source: Deep Agents

核心组件

• 详细系统提示 – 深度智能体使用包含详细说明和示例的系统提示。
• 规划工具 – 深度智能体内置规划工具，即待办事项列表管理工具。这有助于它们即使在执行复杂任务时也能保持专注。
• 子智能体 – 子智能体为委派的任务生成，并在上下文隔离中执行。
• 文件系统 – 用于上下文管理和内存管理的虚拟文件系统。当上下文窗口已满时，AI 智能体使用文件作为工具将上下文卸载到内存中。

构建深度智能体

现在，让我们使用“deepagents”库构建一个研究智能体，它将使用 Tavily 进行网络搜索，并包含深度智能体的所有组件。

注意：我们将在 Google Colab 中进行本教程。

前提条件

您需要一个 OpenAI 密钥才能创建此代理。您也可以选择使用其他模型提供商，例如 Gemini/Claude。请从 OpenAI 平台获取您的密钥：https://platform.openai.com/api-keys

此外，请从此处获取用于网络搜索的 Tavily API 密钥：https://app.tavily.com/home

在 Google Colab 中新建一个笔记本，并添加密钥：

将密钥分别保存为 OPENAI_API_KEY 和 TAVILY_API_KEY（用于演示），并记得启用笔记本访问权限。

要求

!pip install deepagents tavily-python langchain-openai

我们将安装运行代码所需的这些库。

导入和 API 设置

import os 
from deepagents import create_deep_agent 
from tavily import TavilyClient 
from langchain.chat_models import init_chat_model 
from google.colab import userdata 
# Set API keys 
TAVILY_API_KEY=userdata.get("TAVILY_API_KEY") 
os.environ["OPENAI_API_KEY"]=userdata.get("OPENAI_API_KEY")

我们将 Tavily API 存储在一个变量中，将 OpenAI API 存储在环境变量中。

定义工具、子代理和代理。

# Initialize Tavily client 
tavily_client = TavilyClient(api_key=TAVILY_API_KEY) 
# Define web search tool 
def internet_search(query: str, max_results: int = 5) -> str: 
"""Run a web search to find current information""" 
results = tavily_client.search(query, max_results=max_results) 
return results  
# Define a specialized research sub-agent 
research_subagent = { 
"name": "data-analyzer", 
"description": "Specialized agent for analyzing data and creating detailed reports", 
"system_prompt": """You are an expert data analyst and report writer. 
Analyze information thoroughly and create well-structured, detailed reports.""", 
"tools": [internet_search], 
"model": "openai:gpt-4o", 
}  
# Initialize GPT-4o-mini model 
model = init_chat_model("openai:gpt-4o-mini") 
# Create the deep agent 
# The agent automatically has access to: write_todos, read_todos, ls, read_file, 
# write_file, edit_file, glob, grep, and task (for subagents) 
agent = create_deep_agent( 
model=model, 
tools=[internet_search],  # Passing the tool 
system_prompt="""You are a thorough research assistant. For this task: 
1. Use write_todos to create a task list breaking down the research 
2. Use internet_search to gather current information 
3. Use write_file to save your findings to /research_findings.md 
4. You can delegate detailed analysis to the data-analyzer subagent using the task tool 
5. Create a final comprehensive report and save it to /final_report.md 
6. Use read_todos to check your progress 
Be systematic and thorough in your research.""", 
subagents=[research_subagent], 
)

我们定义了一个用于网络搜索的工具，并将其传递给了我们的智能体。在本演示中，我们使用 OpenAI 的“gpt-4o-mini”模型。您可以将其更改为任何其他模型。

另请注意，我们没有创建任何文件，也没有为卸载上下文和待办事项列表所需的文件系统定义任何内容。这些内容已在“create_deep_agent()”函数中预先构建，智能体可以访问它们。

运行推理

# Research query 
research_topic = "What are the latest developments in AI agents and LangGraph in 2025?"  
print(f"Starting research on: {research_topic}\n") 
print("=" * 70)  
# Execute the agent 
result = agent.invoke({ 
"messages": [{"role": "user", "content": research_topic}] 
}) 
print("\n" + "=" * 70) 
print("Research completed.\n")

注意：代理程序的执行可能需要一些时间。

查看输出

# Agent execution trace 
print("AGENT EXECUTION TRACE:") 
print("-" * 70) 
for i, msg in enumerate(result["messages"]): 
if hasattr(msg, 'type'): 
print(f"\n[{i}] Type: {msg.type}") 
if msg.type == "human": 
print(f"Human: {msg.content}") 
elif msg.type == "ai": 
if hasattr(msg, 'tool_calls') and msg.tool_calls: 
print(f"AI tool calls: {[tc['name'] for tc in msg.tool_calls]}") 
if msg.content: 
print(f"AI: {msg.content[:200]}...") 
elif msg.type == "tool": 
print(f"Tool '{msg.name}' result: {str(msg.content)[:200]}...")

# Final AI response 
print("\n" + "=" * 70) 
final_message = result["messages"][-1] 
print("FINAL RESPONSE:") 
print("-" * 70) 
print(final_message.content)

# Files created 
print("\n" + "=" * 70) 
print("FILES CREATED:") 
print("-" * 70) 
if "files" in result and result["files"]: 
for filepath in sorted(result["files"].keys()): 
content = result["files"][filepath] 
print(f"\n{'=' * 70}") 
print(f"{filepath}") 
print(f"{'=' * 70}") 
print(content) 
else: 
print("No files found.") 
print("\n" + "=" * 70) 
print("Analysis complete.")

正如我们所见，该代理表现良好，它维护了一个虚拟文件系统，并在多次迭代后给出了响应，因此我们认为它应该算得上是一个“深度代理”。但是我们的系统仍有改进空间，让我们在下一个系统中探讨这些改进。

代理的潜在改进

我们构建了一个简单的深度代理，但您可以挑战自己，构建一个更强大的系统。以下是一些您可以改进此代理的方法：

1. 使用长期记忆 – 深度代理可以将用户偏好和反馈保存在文件（/memories/）中。这将有助于代理提供更好的答案，并从对话中构建知识库。
2. 控制文件系统 – 默认情况下，文件存储在虚拟环境中，您可以使用 deepagents.backends 中的“FilesystemBackend”将其存储到不同的后端或本地磁盘。
3. 优化系统提示 – 您可以测试多个提示，看看哪个最适合您。

小结

我们已成功构建了深度智能体，现在可以看到，利用 LangGraph 处理任务，人工智能智能体如何将 LLM 的功能提升到一个新的高度。凭借内置的规划、子智能体和虚拟文件系统，它们能够流畅地管理待办事项、上下文和研究工作流程。深度智能体固然强大，但也要​​记住，如果某个任务更简单，可以用简单的智能体或 LLM 完成，则不建议使用深度智能体。