快速开始

在几分钟内构建你的第一个深度智能体

本指南将引导你创建一个具备规划、文件系统工具和子智能体能力的首个深度智能体。你将构建一个能够进行研究并撰写报告的研究智能体。

正在使用 AI 编程助手？

• 安装 LangChain Docs MCP 服务器，让你的智能体能够访问最新的 LangChain 文档和示例。
• 安装 LangChain Skills，以提升你的智能体在 LangChain 生态系统任务上的表现。

先决条件

开始之前，请确保你拥有来自模型提供商（例如 Anthropic、OpenAI）的 API 密钥。

深度智能体需要一个支持 工具调用 的模型。有关如何配置你的模型，请参阅 自定义。

步骤 1：安装依赖项

pip

pip install deepagents tavily-python

uv init
uv add deepagents tavily-python
uv sync

本指南使用 Tavily 作为示例搜索提供商，但你可以替换为任何搜索 API（例如 DuckDuckGo、SerpAPI、Brave Search）。

步骤 2：设置你的 API 密钥

Anthropic

export ANTHROPIC_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

OpenAI

export OPENAI_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Google

export GOOGLE_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

OpenRouter

export OPENROUTER_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Fireworks

export FIREWORKS_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Baseten

export BASETEN_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Ollama

# 本地：Ollama 必须正在运行 (https://ollama.com)
# 云端：为托管推理设置你的 Ollama API 密钥
export OLLAMA_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

步骤 3：创建一个搜索工具

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """运行网页搜索"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

步骤 4：创建一个深度智能体

# 系统提示，引导智能体成为专家研究员
research_instructions = """你是一位专家研究员。你的工作是进行深入研究，然后撰写一份精炼的报告。

你可以使用互联网搜索工具作为收集信息的主要手段。

## `internet_search`

使用此工具运行给定查询的互联网搜索。你可以指定要返回的最大结果数、主题以及是否包含原始内容。
"""

从你的提供商中选择一个模型。默认情况下，create_deep_agent 使用 claude-sonnet-4-6。传递一个 model 字符串以使用不同的提供商——完整列表请参阅 推荐模型。

Anthropic

agent = create_deep_agent(
    model="anthropic:claude-sonnet-4-6",
    tools=[internet_search],
    system_prompt=research_instructions,
)

OpenAI

agent = create_deep_agent(
    model="openai:gpt-5.4",
    tools=[internet_search],
    system_prompt=research_instructions,
)

Google

agent = create_deep_agent(
    model="google_genai:gemini-3.1-pro-preview",
    tools=[internet_search],
    system_prompt=research_instructions,
)

OpenRouter

agent = create_deep_agent(
    model="openrouter:anthropic/claude-sonnet-4-6",
    tools=[internet_search],
    system_prompt=research_instructions,
)

Fireworks

agent = create_deep_agent(
    model="fireworks:accounts/fireworks/models/qwen3p5-397b-a17b",
    tools=[internet_search],
    system_prompt=research_instructions,
)

Baseten

agent = create_deep_agent(
    model="baseten:zai-org/GLM-5",
    tools=[internet_search],
    system_prompt=research_instructions,
)

Ollama

agent = create_deep_agent(
    model="ollama:devstral-2",
    tools=[internet_search],
    system_prompt=research_instructions,
)

步骤 5：运行智能体

result = agent.invoke({"messages": [{"role": "user", "content": "What is langgraph?"}]})

# 打印智能体的响应
print(result["messages"][-1].content)

工作原理

你的深度智能体会自动：

1. 规划其方法：使用内置的 write_todos 工具来分解研究任务。
2. 进行研究：通过调用 internet_search 工具来收集信息。
3. 管理上下文：使用文件系统工具（write_file、read_file）来卸载大型搜索结果。
4. 生成子智能体：根据需要将复杂的子任务委托给专门的子智能体。
5. 综合报告：将发现整理成连贯的响应。

示例

有关你可以使用深度智能体构建的智能体、模式和应用，请参阅 示例。

流式传输

深度智能体内置了 流式传输 功能，可通过 LangGraph 实时更新智能体执行状态。 这允许你逐步观察输出，并审查和调试智能体及子智能体的工作，例如工具调用、工具结果和 LLM 响应。

后续步骤

现在你已经构建了第一个深度智能体：

• 自定义你的智能体：了解 自定义选项，包括自定义系统提示、工具和子智能体。
• 添加长期记忆：启用跨对话的 持久记忆。
• 部署到生产环境：了解 LangGraph 应用的 部署选项。

---

Edit this page on GitHub or file an issue.

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.