7月底，Langchain的工程师花了个周末时间，发布了面向复杂任务的智能体架构Deep Agents。
8月13日，也就是昨天，又发布了更简易上手的交互界面，Deep Agents UI。
我们来看看这如何助力企业级复杂任务智能体搭建。
在企业级应用中，AI 智能体正逐渐成为自动化复杂任务的核心工具。然而，传统的“浅层”智能体在面对多步骤、长期规划或协作性强的企业场景时往往力不从心。Deep Agents 及其配套用户界面 Deep Agents UI 提供了一种创新的框架，旨在通过深度推理、任务分解和用户友好的交互界面，满足企业级复杂交互场景的需求。本文将从浅层智能体的局限性入手，探讨Deep Agents 的设计理念、使用方法以及 Deep Agents UI 如何进一步简化部署。
1. 常用的浅层智能体的结构及其问题
浅层智能体的结构图表展示了一种基于“LLM Call”的浅层智能体工作流程：
Human（人类）：通过输入（如问题或指令）触发智能体。
LLM Call（大语言模型调用）：接收人类输入后，调用大语言模型生成“Action”（行动），并与“Environment”（环境，如外部工具或数据源）交互。
Environment（环境）：根据智能体的行动提供反馈（如数据或结果），并返回给 LLM Call 进行进一步处理。
Feedback（反馈）：环境向 LLM Call 提供响应，形成一个循环，直至满足“Stop”（停止）条件，任务结束。
这种结构（如下图）依赖于简单的单轮或有限循环交互，适用于诸如回答单一问题或执行基本工具调用（如查询数据库）的任务。
在企业级场景中，浅层智能体面临以下问题：
缺乏长期规划：无法处理需要多步骤推理或长期上下文的任务，如市场分析报告生成或复杂项目管理。
上下文管理不足：受限于 LLM 的上下文窗口，难以存储和利用长时间运行任务的中间结果。
协作能力有限：单一智能体难以分解复杂任务或与其他智能体协作，导致效率低下。
用户交互复杂：开发者需要手动编写复杂的提示和代码，调试困难，门槛较高。
例如，在分析竞争对手的产能数据时，浅层智能体可能因无法协调数据检索、分析和可视化而失败。
2. 复杂任务智能体的定位
复杂任务智能体的企业级场景通常涉及多步骤、跨部门协作的任务，如我们熟悉的新能源汽车产业链分析：
竞品产能分析：从公开数据、行业报告和新闻中提取竞争对手的产能数据，生成趋势图和战略建议。
供应链优化：协调供应商数据、物流信息和生产计划，生成优化方案。
市场洞察：结合消费者反馈和竞品动态，生成综合市场分析报告。
这些场景对于浅层智能体而言就有挑战了，需要各类任务拆解。
3 Deep Agents框架
从零开始开发复杂智能体当然会比较耗时耗力。
Deep Agents 是由 LangChain 开发的开源框架，于2025年7月30日首次发布，专为复杂任务设计。其核心通过四大支柱解决浅层智能体的局限性：
详细的系统提示：通过精心设计的提示模板（如 few-shot 示例），为智能体提供清晰的行为规范和上下文，确保一致性。
规划工具：引入 Todo List 等工具，让智能体在任务开始前制定全局计划，并在每一步动态调整，避免偏离目标。
子智能体协作：通过任务协调器将复杂任务分解为子任务，分配给专门的子智能体（如数据检索 Agent、分析 Agent），实现高效分工。
文件系统：虚拟文件系统用于存储中间结果、笔记和输出，突破 LLM 上下文窗口限制，支持长期任务和多智能体协作。
例如，比如在汽车行业竞品产能分析场景中，Deep Agents 可以：
由一个子智能体从行业数据库和新闻网站检索竞争对手的产能数据。
另一个子智能体分析数据并生成产能趋势图。
由协调器整合结果，生成包含战略建议的综合报告。
4. Deep Agents 如何使用
Deep Agents 是一个基于 Python 的开源库，开发者可以通过简单的安装和配置快速构建定制化智能体。
使用比较简单，官网上有具体的代码实例，可以直接pip安装
pip install deepagents
当然，也有些版本要求和依赖库，具体可以访问deepagents
示例代码：构建一个汽车行业竞品产能分析
官方已经提供了create_deep_agent、sub_agent等API，我们可以进一步封装成类接口比如DeepAgent、Planner、SubAgent，这样可以按照业务逻辑易表达的方式便捷实现分析流程，以下是一个简化的示意，展示如何使用 Deep Agents 分析汽车行业竞争对手的产能数据：
from deepagents import DeepAgent, Planner, FileSystem, SubAgent# 初始化文件系统用于存储中间结果fs = FileSystem(directory="./agent_workspace")# 定义子智能体data_agent = SubAgent(name="DataRetriever", tools=["industry_api", "web_scraper"])analysis_agent = SubAgent(name="DataAnalyzer", tools=["pandas", "matplotlib"])report_agent = SubAgent(name="ReportWriter", tools=["markdown_generator"])# 配置规划器planner = Planner(strategy="todo_list", agents=[data_agent, analysis_agent, report_agent])# 初始化 Deep Agentdeep_agent = DeepAgent( system_prompt="Generate a competitive capacity analysis report for Tesla and Toyota, including data, trend charts, and strategic recommendations.", planner=planner, filesystem=fs)# 执行任务result = deep_agent.run("Analyze Tesla and Toyota's production capacity for 2023-2025.")print(result)工作流程
系统提示：定义任务目标（如分析特斯拉和丰田的产能）和行为规范。
规划：Planner 生成任务列表（如“检索产能数据 → 分析趋势 → 生成报告”）。
子智能体协作：各子智能体分别执行数据检索（从行业数据库和新闻）、数据分析（生成趋势图）和报告生成。
文件系统：中间结果（如 CSV 数据、趋势图）存储在文件系统中，最终输出整合为 Markdown 报告。
5. Deep Agents UI 是什么，如何进一步简化使用
Deep Agents UI 是年8月13日新鲜发布的，为 Deep Agents 提供直观的可视化操作平台。
安装与使用也比较简单，克隆仓库，修改环境变量，直接npm run就行：
git clone https://github.com/langchain-ai/deep-agents-ui
然后在本地 Web 界面 http://localhost:3000就可以看到如下：
