企业官网建设流程全解析

什么是网站设计与运营,wordpress 书店,做网站接单的网站,网站建立的优劣势任务规划文件系统访问子agent委托 现如今#xff0c;Agent 所需要执行的任务长度每几个月翻一番#xff0c;长周期任务通常涉及数十次工具调用#xff0c;这会带来成本和可靠性方面的问题。 那么#xff0c;要如何解决#xff1f; deepagents 是 LangChain 推出的开源框…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 deepagentsdeepagents 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。03deepagents 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1System 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 中包含领域工作流程“数据分析任务先执行探索性分析再构建模型”具体示例“将相似的文献检索任务合并到一个待办事项”停止标准“预算超过 100 次工具调用时停止”工具协同说明“使用 grep 定位代码位置后再用 read_file 查看详细内容”不应该包含重复中间件已有的工具使用说明与默认指令冲突的规则例如禁止使用待办事项2Toolsdeepagents 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_agent def 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 MultiServerMCPClient from deepagents import create_deep_agent async def main(): mcp_client MultiServerMCPClient(...) mcp_tools await mcp_client.get_tools() agent create_deep_agent(toolsmcp_tools) async for chunk in agent.astream({messages: [{role: user, content: ...}]}): chunk[messages][-1].pretty_print()3Middleware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 tool from deepagents import create_deep_agent from deepagents.middleware import AgentMiddleware tool def get_weather(city: str) - str: Get the weather in a city. return fThe weather in {city} is sunny. class WeatherMiddleware(AgentMiddleware): tools [get_weather] agent create_deep_agent(middleware[WeatherMiddleware()]) 内置 middleware 功能清单 4Subagents主 agent 通过task工具将子任务委托给子 agent。子 agent 在隔离的上下文窗口中执行拥有独立的工具集和系统提示。from deepagents import create_deep_agent research_subagent { name: research-agent, description: Used to research in-depth questions, prompt: You are an expert researcher, tools: [internet_search], model: openai:gpt-4o, # Optional, defaults to main agent model } agent create_deep_agent(subagents[research_subagent]) 对于复杂情况,可以传入预先构建的 LangGraph:from deepagents import CompiledSubAgent, create_deep_agent custom_graph create_agent(model..., tools..., prompt...) agent create_deep_agent( subagents[CompiledSubAgent( namedata-analyzer, descriptionSpecialized agent for data analysis, runnablecustom_graph )] )5interrupt_on通过interrupt_on参数配置需要人工审批的工具,agent 会暂停执行等待人工反馈。from langchain_core.tools import tool from deepagents import create_deep_agent from langgraph.checkpoint.memory import MemorySaver tool def delete_file(path: str) - str: Delete a file from the filesystem. return fDeleted {path} agent create_deep_agent( tools[delete_file], interrupt_on{ delete_file: { allowed_decisions: [approve, edit, reject] } }, checkpointerMemorySaver() )6Backends 定制配置不同的存储后端控制文件操作行为,支持 StateBackend(临时)、FilesystemBackend(本地磁盘)、StoreBackend(持久化)、CompositeBackend(混合路由)。 from deepagents import create_deep_agent from deepagents.backends import FilesystemBackend agent create_deep_agent( backendFilesystemBackend(root_dir/path/to/project) )04为什么deepagents 需要搭配Milvus使用Agent 需要跨会话能力用于保存用户偏好配置、从多次对话中积累领域知识、记录反馈用于行为调整、维护跨会话的长期研究任务进度。但是deepagents默认的 StateBackend 只支持单次会话存储,而持久化 backend 能够解决跨会话数据保留问题。因此我们需要引入Milvus 作为向量存储层配合 StoreBackend 实现语义记忆的持久化。过程中Agent 对话内容和重要工具结果会自动转换为 embedding 存储到 Milvus,每次任务执行时通过语义检索找回相关历史记忆。Milvus 的计算存储分离架构能很好地支持 Agent 的高并发读写可水平扩展至十亿级向量规模同时支持高并发查询和流式数据实时更新适合生产环境的 agent 记忆存储场景。在这个方案中deepagents 通过CompositeBackend实现混合存储,将不同路径路由到不同 backend:/workspace/、/temp/→ StateBackend(临时文件)/memories/、/knowledge/→ StoreBackend Milvus(持久化数据)使用CompositeBackend可以将特定路径(如/memories/)路由到持久化存储,实现跨会话记忆的具体配置代码请见下文的快速开始部分。05快速开始构建带 Milvus 记忆的Agent以下示例展示如何为 deepagents 添加持久化记忆。步骤 1安装依赖pip install deepagents tavily-python langchain-milvus 步骤 2配置记忆后端from deepagents.backends import CompositeBackend, StateBackend, StoreBackend from langchain_milvus.storage import MilvusStore # from langgraph.store.memory import InMemoryStore # 仅测试用 # 配置 Milvus 存储 milvus_store MilvusStore( collection_nameagent_memories, embedding_service... # 这里需要 embedding或者 MilvusStore 默认配置 ) backend CompositeBackend( defaultStateBackend(), routes{/memories/: StoreBackend(storeInMemoryStore())} ) 步骤 3创建 Agentfrom tavily import TavilyClient import os tavily_client TavilyClient(api_keyos.environ[TAVILY_API_KEY]) def internet_search(query: str, max_results: int 5) - str: 执行网络搜索 results tavily_client.search(query, max_resultsmax_results) return .join([f{r[title]}: {r[content]} for r in results[results]]) agent create_deep_agent( tools[internet_search], system_prompt你是研究专家将重要发现写入 /memories/ 目录以便跨会话复用, backendbackend ) 运行 agent result agent.invoke({ messages: [{role: user, content: 研究 Milvus 向量数据库的技术特点}] })说明/memories/路径下的文件会持久化存储跨会话可访问替换InMemoryStore()可为 Milvus 适配器即可实现生产级语义检索Agent 会自动将研究结果写入/memories/下次任务时检索相关内容06内置工具概览deepagents 通过中间件提供以下内置工具任务管理工具TodoListMiddlewarewrite_todos创建结构化待办事项列表包含任务描述、优先级、依赖关系read_todos读取当前待办事项状态显示已完成和待处理的任务文件系统工具FilesystemMiddlewarels列出目录中的文件需要绝对路径以/开头read_file读取文件内容支持分页参数offset/limit处理大文件write_file创建新文件或覆盖现有文件edit_file在文件中执行精确字符串替换glob使用模式匹配查找文件例如**/*.py查找所有 Python 文件grep在文件中搜索文本模式execute在沙箱环境中执行 shell 命令需要 backend 实现 SandboxBackendProtocol子 agent 委托工具SubAgentMiddlewaretask将子任务委托给专门的子 agent 执行参数包括子 agent 名称和任务描述工具使用模式大型工具调用结果自动保存到文件。例如internet_search返回 100KB 内容时FilesystemMiddleware 自动将结果写入/tool_results/internet_search_1.txtagent 上下文中只保留文件路径避免消耗 token。07写在最后DeepAgents通过规划、文件系统、委托三大机制可以将不可控的复杂agent流程转化为确定性的工作流。结合Milvus的向量检索能力进一步赋予 Agent 跨会话的长期记忆。对于开发者而言这是一套真正打破 Token 限制、能从 Demo 走向 Production 的高可靠 Agent 架构方案。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】