Ai应用开发Deep Agent天花板级深度解读

• Deep Agent是LangChain在4月份更新的重要特性，基于Create Agent构建。 — ✓ “应该是四月份更新的一个重大特性” (0:06)
• Deep Agent的核心机制仍然是ReAct（Reasoning + Action）的循环过程。 — ✓ “它的核心还是react这一套” (8:48)
• 与Create Agent相比，Deep Agent额外注入了5个关键元素：中间件和系统提示词。 — ✓ “加了五个东西” (8:48)
• 第一个新增功能是TodoListMiddleware，通过write_todos工具生成任务清单进行路径规划。 — ✓ “TodoListMiddleware → 注入 write_todos 工具”
• 第二个新增功能是FilesystemMiddleware，提供ls、read_file、write_file等文件读写能力。 — ✓ “FilesystemMiddleware → 注入 ls / read_file”
• 第三个新增功能是SubAgentMiddleware，允许在主Agent中调度子Agent处理复杂任务。 — ✓ “SubAgentMiddleware → 注入 task 工具”
• 第四个新增功能是SummarizationMiddleware，用于自动压缩过长的上下文。 — ✓ “SummarizationMiddleware → 上下文太长的自动总结”
• 第五个新增功能是内置的系统提示词，教导模型先制定计划再执行。 — ✓ “默认 system prompt = 教会模型先 plan”
• Create Agent是“走一步看一步”，而Deep Agent在开始前会列出完整的任务步骤。 — ✓ “create agent它是叫走一步看一步” (6:38)
• Deep Agent的本质公式为：Create Agent + 一组内置中间件 + 一份精心调优的系统提示词。 — ✓ “create_deep_agent = create_agent + 一组 opinionated 的内置中间件”

• 0:00 深入浅出DeepAgent / 今天分享
• 1:00 先打底：什么是 ReAct? / create_agent 内部跑的是同一轮回 ReAct (Reason + Act) 的循环流程，一句话讲就是： / 让 LLM 在“思考”和“用工具”之间反复横跳，直到把问题可以回答了。 / ReAct Loop / user 提问 / Thought (我心想：我下一步该干嘛？) / LLM / Action (决定要哪个工具，有什么参数) / Observation (工具执行后返回给模型) / Tools / get_weather("北京") → "晴, 22°C" / 循环 N 次后 LLM 不再需要调工具 → 输出 final answer / 因为你让 AI 帮你去讲东西啊
• 2:00 00-概念地: deepagent 在 LangChain 全家桶里的位置 / 全家桶的四层抽象 / Layer 4 - Harness - deepagents / Layer 3 - Pattern - langchain.agents.create_agent / Layer 2 - Runtime - langgraph (StateGraph / 节点 / 边) / Layer 1 - Building - langgraph.graphbuilder / Tool / Prompt / 你有 AI 你也学不好呢
• 3:00 Layer 4 - Harness - deepagents / Layer 3 - Pattern - langchain.agents.create_agent / Layer 2 - Runtime - langraph (StateGraph / 节点 / 边) / Layer 1 - Building - langgraph.graphbuilder / Tool / Prompt / 你走这一定是啥叫 deepagents / 层 是一层啥样的 你参考多少代码 / 1. LangChain 模型调用、prompt、消息格式 / 2. LangGraph 状态机运行（节点、边、checkpoint、流式、HRL） / 3. create_agent 一个固定的 ReAct 循环（绑定工具+调用+观察+再调用） / 4. create_deep_agent ReAct 循环 + 预期 6 种量（工具 / 文件操作 / 子代理 shell / 预期 / 默认 prompt）极少 / 那我们想了解什么是 DEEPAGENT
• 4:00 2: LangGraph 状态机运行（节点、边、checkpoint、流式、HRL）中 / 3: create_agent 一个固定的 ReAct 循环（绑定工具+调用+观察+再调用）少 / 4: create_deep_agent ReAct 循环 + 预期 6 种量（工具 / 文件操作 / 子代理 shell / 预期 / 默认 prompt）极少 / 先打底：什么是 ReAct? / create_agent 内部跑的是同一轮回 ReAct (Reason + Act) 的循环流程，一句话讲就是： / 让 LLM 在“思考”和“用工具”之间反复横跳，直到把问题可以回答了。 / ReAct Loop / user 提问 / Thought (我心想：我下一步该干嘛？) / LLM / Action (决定要哪个工具，有什么参数) / Observation (工具执行后返回给模型) / Tools / get_weather("北京") → "晴, 22°C" / 循环 N 次后 LLM 不再需要调工具 → 输出 final answer / 那他查完之后 / 它和 create_
• 5:00 2: LangGraph 状态机运行（节点、边、checkpoint、流式、HRL）中 / 3: create_agent 一个固定的 ReAct 循环（绑定工具+调用+观察+再调用）少 / 4: create_deep_agent ReAct 循环 + 预期 6 种量（工具 / 文件操作 / 子代理 shell / 预期 / 默认 prompt）极少 / 先打底：什么是 ReAct? / create_agent 内部跑的是同一轮回 ReAct (Reason + Act) 的循环流程，一句话讲就是： / 让 LLM 在“思考”和“用工具”之间反复横跳，直到把问题可以回答了。 / ReAct Loop / user 提问 / Thought (我心想：我下一步该干嘛？) / LLM / Action (决定要哪个工具，有什么参数) / Observation (工具执行后返回给模型) / Tools / get_weather("北京") → "晴, 22°C" / 循环 N 次后 LLM 不再需要调工具 → 输出 final answer / 叫做这个 / 它和 create_ag
• 6:00 文件(F) 编辑(E) 选择(S) / search deep_agent / Agent Window 00_爬虫基础.md / demo01_deep.deepagent_research / # 02_Graph.py DeepAgent_场景应用.md / 预览 00_爬虫基础.md / DEEP AGENT / demos / 01._pyenv... / ..._init_.py / .model.py / demo01_deep.deepagents.py / demo02_suntal_hj.py / demo03_system_tools.py / demo04_virtual_fs.py / docs / 05_爬虫基础.md / 01.是什么/原理.md / 02.为什么用框架.md / 03.核心工具与架构.md / 04.子代理模式 / 05.远程与人接入.md / 06.Graph深deep_researcher.md / 07.Graph.py_DeeAgent_场... / 08.高仿客服系统_DeepAge... / workspace / env /
• 7:00 他拿到这个用户的这个提问之后
• 8:00 就是說我們去調一個AGENT的過程中啊
• 9:00 加了5个东西

• 读了 1 张图，每张都有描述
• 图上文字 58 行
• 逐字稿 38 段 (628 / 628 s)
• 画面文字 11 行，带出现时间
• 抽帧间隔不超过 60 秒
• 没读到：on-screen text between sampled frames not read: a transcript-first read takes 11 frames, about one every 0:57
• 没读到：comments not read

样例，第 1 张图 — A graphic divided horizontally into two colored sections. The top section has a dark red background with white Chinese text 'Ai应用开发'. The bottom section has a blue background with large white English text 'Deep Agent' followed by smaller white Chinese text '天花板级深度解读'. 图上文字开头： “Ai应用开发 Deep Agent 天花板级深度解读”