企业官网建设流程全解析

买国外空间哪个网站好,wordpress页脚太高,wordpress比较火的插件,wordpress分类主题本文介绍LangChain提出的Deep Agents概念#xff0c;将AI智能体从简单的浅层循环进化为具备离轴思考能力的微型操作系统。通过四大支柱——规划即工具、虚拟文件系统、子智能体上下文隔离和详尽系统提示#xff0c;Deep Agents能够处理复杂的长周期任…本文介绍LangChain提出的Deep Agents概念将AI智能体从简单的浅层循环进化为具备离轴思考能力的微型操作系统。通过四大支柱——规划即工具、虚拟文件系统、子智能体上下文隔离和详尽系统提示Deep Agents能够处理复杂的长周期任务。文章提供了代码示例和最佳实践案例展示了如何构建能持续工作数小时的智能体系统帮助开发者构建更强大的AI应用。一、 拒绝“浅层”为什么 DeepAgents 是刚需大多数开发者还在玩“对话即指令”的游戏用户说一句话Agent 回复一句话。这种Shallow Loop浅层循环的天花板极低——一旦任务跨越了上下文窗口或者需要耗时数小时的调研Agent 就会像失忆一样开始不知所措。DeepAgents的出现是为了解决那些“一眼看不到头”的复杂任务。它不再只是一个 Wrapper而是一套自主装备Harness。alt text核心差异普通 Agent (The Loop)像个接线员问一句答一句记忆全靠ChatHistory。LangGraph (The Runtime)像个流水线工厂提供了状态持久化、流式输出和人机交互的底层能力。Deep Agent (The Harness)像个资深研究员。它构建在 LangGraph 之上但“自带电池”——内置了规划系统、文件系统记忆、和子智能体编排。alt text二、 新版本核心特性四大支柱 (The Four Pillars)Harrison Chase 将 DeepAgents 的核心能力归纳为四个支柱这构成了它区别于普通 Agent 的护城河。这四大支柱在 v0.2 版本中通过中间件 (Middleware)架构得到了彻底的强化。1. 规划即工具 (Planning as a Tool)DeepAgents 不再依靠开发者写死的 Chain 来执行任务。规划本身就是一个工具。 LLM 可以动态调用write_todos工具来生成或修改计划。这意味着 Agent 可以在执行中途发现“路走不通”然后自己修改路线图而不是傻傻地撞墙。技术细节这背后是TodoListMiddleware在起作用它不仅提供工具还会在每次 Context 中注入当前的进度状态确保持久化的“任务一致性”。2. 离轴思考虚拟文件系统 (VFS)这是 DeepAgents 最核心的洞见。它认为Context 窗口不是用来存垃圾的。 普通 Agent 试图把所有搜索结果都塞进 Prompt导致 Token 爆炸。DeepAgents 则引入了类似操作系统的 VFS默认工具write_file,read_file,ls,edit_file。工作流Agent 将海量的原始数据、待办事项、中间草稿写入 VFS硬盘。只在需要决策时才读取最关键的那几行摘要加载到 Context内存。技术细节FilesystemMiddleware会拦截所有工具调用。如果某个工具如爬虫返回了超过 20K token 的结果它会自动将结果写入文件只把文件名返回给 LLM防止 Context 溢出。3. 子智能体与上下文隔离 (Context Isolation)如果一个任务太复杂DeepAgents 会通过“子智能体”来隔离上下文。痛点主 Agent 知道太多细节容易产生幻觉。解法主 Agent 派发一个任务给“搜索子 Agent”。子 Agent 只有自己的搜索工具和临时记忆干完活只把“最终结论”汇报给主 Agent。这极大地降低了主 Agent 的认知负荷Cognitive Load。技术细节SubAgentMiddleware允许主 Agent 调用task工具来启动一个子图Subgraph。这个子图拥有独立的 State运行结束后只返回摘要。4. 详尽的系统提示 (Detailed System Prompts)写好一个能指挥复杂系统的 System Prompt 极难。DeepAgents 并没有把 Prompt 藏起来而是将其模块化。每个 Middleware 都会注入自己的一段 Prompt 指令例如教 Agent 如何使用文件系统何时该创建子 Agent。延伸阅读Anthropic 的Claude CodeSystem Prompt 长达 2800 tokens展示了顶级 Agent 提示词的工程复杂度。DeepAgents 的 Prompt 设计深受其启发。来源Piebald-AI/claude-code-system-prompts GitHub Repo三、 核心代码从脚本到工程别被“深度”吓到deepagents的封装非常简洁。它的核心是create_deep_agent但魔鬼在细节里。# pip install deepagents tavily-python langchain-anthropicfrom deepagents import create_deep_agentfrom langchain_anthropic import ChatAnthropicfrom tavily import TavilyClientimport os# 1. 定义工具def internet_search(query: str) - str: 运行网络搜索 return TavilyClient(api_keyos.environ[TAVILY_API_KEY]).search(query)# 2. 定义子智能体 (Sub-agents)# 子智能体是上下文隔离的关键。它们拥有独立的 Prompt 和工具集。researcher_agent_config { name: researcher, description: 负责执行具体的深度搜索和资料整理, system_prompt: 你是一个严谨的研究员。请使用搜索工具查找资料并将关键发现写入文件系统。, tools: [internet_search] # 子智能体独享搜索工具}# 3. 创建 Deep Agent (The Harness)# 注意主 Agent 甚至不需要搜索工具它只需要管理子智能体和文件系统agent create_deep_agent( modelChatAnthropic(modelclaude-3-5-sonnet-latest), tools[], # 主 Agent 默认拥有文件系统工具 (ls, read_file, write_file) subagents[researcher_agent_config], system_prompt你是一个项目经理。接到任务后先使用 write_todos 规划然后指派 researcher 干活最后汇总报告。,)# 4. 启动一个长周期任务# Agent 会自动在 VFS 中创建 plan.txt, draft.md 等文件来管理状态result agent.invoke({ messages: [{role: user, content: 深度调研 2026 年人形机器人供应链产出一份对比报告。}]}) ​ alt text --- 四、 深度能力的实战逻辑中间件 (Middleware) ----------------------------- 0.2 版本引入了强大的中间件支持让 Agent 的治理变得像 Web 开发一样成熟。 ​plaintext from deepagents.middleware import SummarizationMiddleware, HumanInTheLoopMiddlewareagent create_deep_agent( ..., middleware[ # 1. 自动遗忘当消息超过 30 条时自动触发总结防止 Context 溢出 # 这对于运行数小时的 Agent 至关重要。它会保留最近的 N 条消息汇总旧消息。 SummarizationMiddleware(message_threshold30), # 2. 人工在环关键操作如修改文件、调用支付接口前必须由人类批准 # 这里的 approval_filter 决定了什么时候暂停 HumanInTheLoopMiddleware(approval_filterlambda call: call.tool_name in [write_file, pay]) ])五、 给 AI 工程师的启发Context Management 是新时代的内存管理像 C 语言程序员管理内存一样管理 Context。不要把所有东西都塞给 LLM学会使用 VFS 做“虚拟内存交换”。可观测性是生命线89% 的团队在 2026 年都会使用全链路追踪。DeepAgents 构建在 LangGraph 之上天然支持状态回溯Time Travel。如果你看不清 Agent 为什么在第 50 步卡住了你就永远无法让它上线。图注LangSmith 中展示的 Deep Agent 全链路追踪清晰可见规划、子智能体分发和文件操作的层级结构。不要自己造轮子DeepAgents 是一套经过验证的认知架构Cognitive Architecture。除非你有非常特殊的理由否则不要从零开始写while loop。金句2025 年AI 工程师的尊严不在于写出完美的 Prompt而在于构建一套能让 Agent 像成年人一样独立解决问题的存储VFS与编排Sub-agents体系。六、 最佳实践案例自动化 API 文档维护者为了让大家更直观地理解 DeepAgents 的生产力我们来看一个真实的工程案例自动化 API 文档维护 Agent。这个场景完美契合了 DeepAgents 的所有特性——长周期、复杂文件操作、多步骤规划。场景描述当后端代码更新时Agent 需要自动检测变更、阅读代码、生成 OpenAPI Spec并更新 Markdown 文档。代码实现# 1. 定义子智能体代码分析专家# 它负责深入读取代码库提取 API 定义不关心文档格式code_analyst_agent { name: code_analyst, description: 负责读取后端代码提取 API 路由、参数和返回值定义, system_prompt: 你是一个资深后端工程师。使用 ls 和 read_file 工具遍历 src 目录分析 FastAPI 路由定义。, tools: [] # 默认拥有文件系统工具}# 2. 定义子智能体技术文档作家# 它负责将技术细节转化为易读的 Markdown 文档tech_writer_agent { name: tech_writer, description: 负责根据 API 定义生成高质量的用户文档, system_prompt: 你是一个技术文档专家。根据 code_analyst 提供的 API 定义编写清晰的 Markdown 文档。, tools: []}# 3. 创建主 Deep Agent# 主 Agent 负责协调先分析代码 - 检查差异 - 更新文档doc_maintainer create_deep_agent( modelChatAnthropic(modelclaude-3-5-sonnet-latest), tools[], subagents[code_analyst_agent, tech_writer_agent], middleware[ # 自动任务追踪确保文档更新的每一步都被记录 TodoListMiddleware(), # 关键操作保护写入最终文档前需要人工确认 HumanInTheLoopMiddleware(approval_filterlambda call: call.tool_name write_fileanddocs/in call.tool_args.get(path, )) ], system_prompt 你是一个自动化文档维护者。 任务流程 1. 调用 code_analyst 分析 src/ 目录下的最新代码。 2. 读取 docs/ 目录下的现有文档。 3. 对比差异生成更新计划。 4. 调用 tech_writer 生成新的文档草稿。 5. 确认无误后覆盖旧文档。 )# 4. 运行result doc_maintainer.invoke({ messages: [{role: user, content: 检测 src/routers/users.py 的变更并更新 API 文档。}]})为什么这个案例是“最佳实践”职责分离主 Agent 不看代码只管流程子 Agent 专注各自领域。这避免了 Context 污染Tech Writer 不需要看到满屏的 Python 装饰器。安全性通过HumanInTheLoopMiddleware我们给“写文档”这个高风险操作加了把锁防止 Agent 误删文件。可观测性通过TodoListMiddleware你可以在 LangSmith 后台清晰地看到 Agent 的思考过程“已提取 User API - 发现 2 个新字段 - 正在生成文档草稿”。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。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】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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】