1、DeepAgents框架定位与核心价值

1.1 什么是DeepAgents？

DeepAgents（代码库名为 deepagents）是一个基于 LangChain 和 LangGraph 构建的企业级高级智能体框架。它建立在 LangGraph（底层运行时）和 LangChain（工具/模型层）之上，是一个高阶的Agent Harness（智能体装备/套件）。

• 定位：它旨在简化长运行自主智能体 (Long-running Autonomous Agents) 的开发过程，通过内置的最佳实践和中间件，解决复杂任务中的规划、记忆、工具使用和环境交互问题。

• 核心理念：如果说 LangChain 提供了积木，LangGraph 提供了地基，那么 DeepAgents 就是一套成品级的框架。它预设了最佳实践（规划、文件系统、子智能体），让你能快速构建类似 “OpenAI Deep Research” 或 “Claude Code” 的应用。

• 论文地址：https://arxiv.org/pdf/2510.21618

  DeepAgents 开源地址：https://github.com/langchain-ai/deepagents

1、Native RAG基础流程介绍

1.1 RAG基础概念

RAG = Retrieval（检索） + Augmented（增强） + Generation（生成）

  RAG即检索增强生成，为LLM提供了从某些数据源检索到的信息，并基于此修正生成的答案。RAG 基本上是Search + LLM 提示，可以通过大模型回答查询，并将搜索所找到的信息作为大模型的上下文。查询和检索到的上下文都会被注入到发送到 LLM 的提示语中。

  一个简单完整的RAG系统如下图：用户进行了提问，提出的问题会先去知识库里进行检索答案，检索到相似度最高的前n个答案，然后和用户的提问一起放入到Prompt里，交给大语言模型，大语言模型根据用户的提问和给出检索的知识来进行整理总结，最终输出返回给用户结果。

1、Agent 开发的可观测性基石

• 在对LangChain 1.0有了一定的基础了解之后，对于开发者来说，还需要进一步了解和掌握LangChain Agent必备的开发者套件。分别是LangChain Agent运行监控框架LangSmith、底层LangGraph图结构可视化与调试框架LangGraph Studio和LangGraph服务部署工具LangGraph Cli。可以说这些开发工具套件，是真正推动LangGraph的企业级应用开发效率大幅提升的关键。同时监控、调试和部署工具，也是全新一代企业级Agent开发框架的必备工具，也是开发者必须要掌握的基础工具。

1、Agent核心概念与技术架构

• Agent智能体是一种以大语言模型（LLM）为”大脑”，能够自主感知环境、进行推理规划，并调用外部工具执行复杂任务的系统。它不仅仅是简单的程序，而是具备一系列高级特征的复杂系统。根据LangChain框架的定义，Agent的核心是以大语言模型（LLM）作为其推理引擎，并依据LLM的推理结果来决定如何与外部工具进行交互以及采取何种具体行动。这种架构将LLM的强大语言理解与生成能力，与外部工具的实际执行能力相结合，从而突破了单一LLM的知识限制和功能边界。Agent的本质可以被理解为一种高级的提示工程（Prompt Engineering）应用范式，开发者通过精心设计的提示词模板，引导LLM模仿人类的思考与执行方式，使其能够自主地分解任务、选择工具、调用工具并整合结果，最终完成复杂的任务。

• Agent（智能体）已超越传统AI模型，成为能够自主完成多步骤复杂任务的智能数字助手。其核心特征在于自主性增强、执行能力和持续学习。

1、LangChain框架介绍

• LangChain 是一个构建 LLM 应用的框架，目标是把 LLM 与外部工具、数据源和复杂工作流连接起来 —— 支持从简单的 prompt 封装到复杂的 Agent（能够调用工具、做决策、执行多步任务）。它不仅仅是对LLM API的封装，而是提供了一套完整的工具和架构，让开发者能够更轻松地构建上下文感知和具备推理能力的AI应用。LangChain 1.0 版本把“Agent 的稳定化、结构化输出、可观测性与生产化”作为核心改进目标。

1、常见工作流

• Anthropic 的研究突出了工作流(Workflow)和智能体(Agent)之间的一个关 键区别，即工作流指 LLM 和相关工具通过显式预定义的代码路径进行编排的系统。 这意味着操作序列、工具或 LLM 调用的条件以及整体任务执行流程都由开发者预先确定。相反，Anthropic 概念中的真正智能体具有更高程度的自主性。它们指的是由 LLM 动态指导自身流程的系统，能够实时决策工具的使用及实现目标所需的步骤。这类智能体始终掌控任务的执行过程，会根据输入和环境反馈调整方法，而非严格遵循预设路径。Anthropic 所识别和阐明的这些工作流模式，为在 LangGraph 中构建复杂的 AI 智能体系统提供了宝贵的框架。工作流和智能体之间的主要差异如图所示。

1、create_react_agent

• LangGraph 作为 AI 智能体开发框架，在灵活性和功能性方面展现出独特优势。 该框架不仅支持高度定制化的智能体架构开发，同时为快速原型设计和开发者入门提 供了便捷工具。其中，create_react_agent 函数作为预构建组件，实现了 ReAct(推理— 行动)模式的快速部署，显著降低了开发门槛。本节将演示 create_react_agent 的核心功能、自定义选项，以及如何在更广泛的 LangChain 生态系统中无缝集成。

1、短期记忆与长期记忆

• 要创建真正智能且实用的 AI 智能体，关键在于为其配备能够模仿人类认知特性的记忆系统。正如人类利用短期记忆和长期记忆来进行有效的互动和学习一样，AI 智能体也同样需要利用记忆来演进，如图所示。本节将探讨 LangGraph 框架中短期记忆和长期记忆的作用及其在构建 AI 智能体中的协同效应。

• 短期记忆与长期记忆的共存必要性源于智能交互的多维特性。试想，如果 AI 智能体只能记住刚发生的对话，或者不加区分地记住所有信息而忽视当前交流重点，那 么都将导致对话效果大打折扣。这两种极端情况都无法实现有效的智能交互。

1、流式处理

• 在 AI 智能体领域，用户体验至关重要。无论智能体的推理能力多么复杂或功能多么强大，若其响应缓慢，则难以满足用户的期望。现代用户已经习惯数字交互的即时性。他们同样期望 AI 智能体敏捷响应，实时提供反馈并展示进度。这对于对话式智能体或需要实时生成文本、代码等内容的应用来说尤其重要。大语言模型 (LLM) 和复杂人工智能工作流中固有的延迟问题，对实现期望的响应水平构成重大挑战。完整的输出需要长时间等待，这可能会导致用户感到沮丧、放弃，并认为 AI 智能体运行缓慢或不可靠。

• 流式处理技术能克服延迟问题，显著提高 AI 智能体的感知响应速度。流式处理 不是等待整个输出生成完毕后再显示给用户，而是允许以分块的方式逐步交付信息。 这种即时反馈循环创造了一种实时交互感，让用户在智能体生成完整响应的过程中保持参与。例如，聊天机器人逐字显示回复，模仿人类对话，或者报告生成智能体实时显示已完成部分，都体现了流式处理如何将耗时过程转变为动态体验。

1、核心概念

• LangGraph 的核心在于其简洁而强大的状态图结构，这一模型的基石由四个核心原语构成：状态(State)、节点(Node)、边(Edge)和命令(Command)。可以将这四个核心原语比作搭建智能体系统的基础模块，只有理解它们的概念及其相互作用方式，才能构建出功能强大的 AI 智能体系统。