Harness 与 Agent 工程 · Agent架构与协作 · 2025-11-25

LangChain 最新agent框架deepagents测评:长任务友好,高可控

LangChain最新开源框架deepagents测评:专为长周期任务设计,三大机制解决复杂任务执行难题。

核心内容:

  1. deepagents三大核心能力:任务规划、文件系统访问、子agent委托
  2. 解决长周期任务的核心挑战:上下文窗口限制与成本控制
  3. 模块化中间件设计带来的架构扩展性和任务完成率提升

任务规划+文件系统访问+子Agent委托

**

**

现如今,Agent 所需要执行的任务长度每几个月翻一番,长周期任务通常涉及数十次工具调用,这会带来成本和可靠性方面的问题。

那么,要如何解决?

deepagents 是 LangChain 推出的开源框架,通过规划、文件系统访问和子 agent 委托三大机制,可以对复杂长任务提供系统化解决方案。

本文将重点解读deepagents ,并给出它的部署、落地教程。

01

什么是 deepagents

deepagents 是 LangChain 团队开源的 agent 框架项目,专门用于解决长周期任务的执行问题,其核心能力有三:

任务规划(Planning):使用内置 write_todos 和 read_todos 工具将复杂任务分解为结构化待办事项列表,agent 按列表执行并标记完成状态。

文件系统访问(Computer Access):提供 ls、read_file、write_file、edit_file、glob、grep 等工具,让 agent 能够读写文件、搜索文件内容。大型工具调用结果自动保存到文件,避免消耗上下文窗口。

子 agent 委托(Sub-agent Delegation):通过 task 工具将子任务委托给专门的子 agent 执行,每个子 agent 拥有独立的上下文窗口和工具集。

使用 create_deep_agent 创建的 agent 是编译后的 LangGraph StateGraph,可直接使用 LangGraph 的流式输出、检查点、人机交互等特性。

02

为什么要用deepagents?

长周期任务面临的核心挑战是上下文窗口限制与成本控制之间的矛盾。传统 agent 将所有工具调用结果堆入上下文,导致 token 成本激增,同时模型在海量信息中逐渐失焦。

deepagents 的解决思路是重新设计信息流架构:引入文件系统作为上下文缓冲区,大型工具结果自动写入文件,agent 上下文中仅保留路径引用。配合自动摘要和提示缓存机制,系统显著降低成本的同时保持任务执行效率。

此外,deepagents 通过引入TodoListMiddleware 要求 agent 在执行前分解任务,将复杂指令转化为可验证的原子步骤,可以避免因随机探索导致的失败。

在此基础上,SubAgentMiddleware还会 为子任务创建独立执行环境,不同任务的上下文互不干扰。

PatchToolCallsMiddleware 则用于处理人机交互中断场景,确保任务恢复后能正确继续。这些机制组合使用,将复杂任务的完成率大幅提升。

架构扩展性则来自模块化中间件设计。deepagents 将 Claude Code 和 Manus 验证的架构模式开源,通过每个能力封装为独立组件,开发者可以根据需求替换或扩展任意中间件,从而构建适合特定领域的 agent 系统。例如将文件存储迁移到云端只需替换 backend 实现。

03

deepagents 的定制能力

通用框架无法满足所有垂直领域的特定需求可以通过定制能力,deepagents 通过提供完整的可扩展机制,允许开发者根据业务场景定制 agent 。

开发者可以:集成专有工具和 API、定义领域特定的工作流程、控制 agent 行为符合业务规则、实现跨会话的知识积累和记忆管理。

以下是deepagents 支持的定制能力:

(1)System Prompt 定制

自定义 system prompt 会附加到中间件注入的默认指令之后,用于定义领域特定的工作流程和约束。

在使用中,我们要注意,应该在自定义 prompt 中包含:

不应该包含:

(2)Tools

deepagents 支持添加自定义工具到内置工具集。工具定义遵循标准 Python 函数签名,docstring 作为工具描述。

from deepagents import create_deep_agentdef internet_search(query: str) -> str: """Run a web search""" return tavily_client.search(query)agent = create_deep_agent(tools=[internet_search])MCP 工具集成通过 langchain-mcp-adapters 连接 Model Context Protocol 工具。
from langchain_mcp_adapters.client import MultiServerMCPClientfrom deepagents import create_deep_agentasync def main(): mcp_client = MultiServerMCPClient(...) mcp_tools = await mcp_client.get_tools() agent = create_deep_agent(tools=mcp_tools) async for chunk in agent.astream({"messages": [{"role": "user", "content": "..."}]}): chunk["messages"][-1].pretty_print()

(3)Middleware

自定义 middleware 用于注入工具、修改提示或 hook agent 生命周期。

from langchain_core.tools import toolfrom deepagents import create_deep_agentfrom deepagents.middleware import AgentMiddleware@tooldef get_weather(city: str) -> str: """Get the weather in a city.""" return f"The weather in {city} is sunny."class WeatherMiddleware(AgentMiddleware): tools = [get_weather]agent = create_deep…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/langchain/2025112592736.html