LangChain的DeepAgents工具体系全解析:MCP、Skills 与沙箱安全怎么配合

 

有个问题我琢磨了很久:为什么同样的底层模型,有的 Agent 用起来像个实习生,有的却像个靠谱助手?

答案往往不在模型本身,而在工具。更准确点说,在"工具是怎么被设计出来的"。

去年我评估过几个开源 Agent 框架,发现它们对工具的理解差异巨大。有的框架把工具当成"函数调用",只要能执行就行;有的框架考虑到了工具描述怎么写才能让模型理解;但真正做得好的,会把工具当成一个完整的"接口设计"问题来思考——包括工具怎么组织、怎么发现、怎么安全执行。

DeepAgents 在工具这块下了很大功夫。它不是只塞给你几个内置工具,而是试图把整个工具生态搭起来:Skills 负责复用工作流,MCP 负责接外部服务,沙箱模型负责把执行边界收住。这一篇我们就顺着这条线,一层层往下剥。

内置工具不是摆设

先回到基础。DeepAgents 默认给你的工具,不是摆在那里凑数的,每一个都带着明确的使用意图。

write_todos 看似简单,但它的提示词里藏着细节:

Use this tool to track multi-step tasks. Break down complex objectives into concrete, actionable items.
Mark items as complete when done. Update the list as requirements change.

它其实是在引导 Agent 形成"规划-执行-检查"的工作习惯。看起来只是待办清单,背后其实是任务管理的思维方式。

文件操作工具族的设计也很有讲究。read_file 支持指定行范围,edit_file 支持字符串替换,glob 和 grep 支持批量搜索。这套组合覆盖了代码分析的完整工作流:先搜索定位,再细读内容,再修改保存。

特别想提一下 edit_file。它不是简单的"覆盖写入",而是支持类似 sed 的替换操作:

edit_file(
    path="/path/to/file.py",
    old_string="def old_function():",
    new_string="def new_function():"
)

为什么是替换而不是直接写?因为替换天然带一点"验证"意味。如果 old_string 在文件里找不到,工具会报错,而不是盲目写入把文件搞坏。这种防御性设计,在生产环境里能少掉很多低级事故。

但这些只是基础。真正的扩展能力来自 Skills 和 MCP。

Skills:可复用的工作流

Skills 是 DeepAgents 里我很喜欢的设计。它解决了一个特别实际的问题:怎么让 Agent 掌握某个领域里已经被验证过的最佳实践?

举个例子。假设你有个内部流程:每次代码审查都要检查安全漏洞、性能隐患、是否符合编码规范。你当然可以把这套流程写成文档给 Agent 看,但那毕竟是静态的。Skills 的价值在于,它能把这套流程变成可复用的模块。

Skill 的结构

一个 Skill 就是一个目录,里面必须有个 SKILL.md 文件:

/skills/code-review/
├── SKILL.md          # 核心定义
└── helper.py         # 可选的辅助代码

SKILL.md 的格式是 YAML frontmatter + Markdown 内容:

---
name: code-review
description: Perform comprehensive code review focusing on security, performance, and maintainability
license: MIT
---


# Code Review Skill


## When to Use


Use this skill when:
-
 User asks you to review code
-
 Pull request needs analysis
-
 Security audit is required

## Review Checklist


### Security

-
 [ ] Check for SQL injection vulnerabilities
-
 [ ] Validate input sanitization
-
 [ ] Review authentication logic

### Performance

-
 [ ] Identify N+1 queries
-
 [ ] Check for unnecessary loops
-
 [ ] Review memory usage patterns

### Maintainability

-
 [ ] Verify code follows project conventions
-
 [ ] Check documentation completeness
-
 [ ] Assess test coverage

## Output Format


Provide findings in this structure:

Critical Issues (must fix)

  • • ...

Warnings (should fix)

  • • ...

Suggestions (nice to have)

  • • ...

Skills 系统会解析这个文件,提取元数据(name, description, license),然后把 Markdown 内容注入到 Agent 的系统提示里。

渐进式披露

Skills 系统有个很精妙的设计叫"渐进式披露"(Progressive Disclosure)。

第一次加载 Skill 时,系统只读取 YAML frontmatter(也就几十 tokens),知道有这么个 Skill、大概干什么的。只有当 Agent 真正决定用这个 Skill 时,才把完整的 Markdown 内容加载进来。

看 skills.py 里的实现:

class SkillMetadata(TypedDict):
    path: str
    name: str
    description: str
    # ... 其他元数据


class
 SkillsMiddleware(AgentMiddleware):
    def
 __init__(self, backend, sources):
        # 启动时只加载元数据

        self
._skills_metadata = self._load_metadata(sources)

    def
 modify_request(self, request):
        # 第一次只注入元数据

        skills_intro = self._format_skills_intro()
        # ...


    def
 _get_skill_full_content(self, skill_name):
        # 真正用到时才加载完整内容

        return
 self._backend.read_file(self._skill_paths[skill_name])

这个设计非常实用。你想想,假设有 20 个 Skill,每个平均 5KB,如果全塞进系统提示,那上下文一下就鼓起来了,token 成本也跟着爆。渐进式披露的好处就是,启动成本主要跟 Skill 数量有关,而不是跟 Skill 正文长度正相关。

Skill 的层级

Skills 可以从多个来源加载,形成层级覆盖:

agent = create_deep_agent(
    skills=[
        "/skills/base/"
,      # 公司基础规范
        "/skills/team/"
,      # 团队特定规则
        "/skills/project/"
,   # 项目定制流程
    ]
)

同名的 Skill,后面的覆盖前面的。这种设计让组织可以建立 Skill 体系:基础层提供通用能力,上层逐级定制。

MCP:打破围墙花园

Skills 解决的是"复用"问题,但还有另一个更现实的问题:怎么跟外部世界连接?

你的 Agent 可能需要查数据库、发 Slack 消息、操作 GitHub PR。这些能力不应该硬编码在 Agent 里,而是通过标准协议动态接入。

这就是 MCP(Model Context Protocol)的用武之地。

MCP 是什么

简单说,MCP 就像 AI 应用的"USB 接口"。它定义了一套标准协议,让任何服务都可以暴露给 LLM 使用,而不用在 Agent 侧关心后端到底是什么。

一个 MCP Server 可以提供:

  • • Tools —— 可调用的函数
  • • Resources
— 以上为试看内容(约 40%),开通会员后阅读全文 —