DeepAgents 应用开发实战

课程说明：

体验课内容节选自《2025大模型Agent智能体开发实战》(12月班) 完整版付费课程

体验课时间有限，若想深度学习大模型技术，欢迎大家报名由我主讲的《2025大模型Agent智能体开发实战》(12月班)

《2025大模型Agent智能体开发实战》(12月班) 为【100+小时】体系大课，总共20大模块精讲精析，零基础直达大模型企业级应用！

课程完整介绍

部分课程成果演示

from IPython.display import Video

Dify+DeepSeek搭建智能微信语音客服

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2f1b47f42c65fd59e8d3a83e6cb9f13b_raw.mp4", width=800, height=400)

Coze自动图文视频创作流程

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/Coze%E5%8A%A8%E6%80%81%E8%A7%86%E9%A2%91%E7%94%9F%E6%88%90%E5%AE%9E%E4%BE%8B.mp4", width=800, height=400)

可视化数据分析Multi-Agent

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E5%8F%AF%E8%A7%86%E5%8C%96%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90Multi-Agent%E6%95%88%E6%9E%9C%E6%BC%94%E7%A4%BA%E6%95%88%E6%9E%9C.mp4", width=800, height=400)

高效微调全自动数据集创建

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/easy_daset_yanshi.mp4", width=800, height=400)

MateGen Pro 项目功能演示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/MG%E6%BC%94%E7%A4%BA%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

智能客服项目展示

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/%E6%99%BA%E8%83%BD%E5%AE%A2%E6%9C%8D%E6%A1%88%E4%BE%8B%E8%A7%86%E9%A2%91.mp4", width=800, height=400)

GraphRAG+多模态文档检索

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/7%E6%9C%8817%E6%97%A5%281%29%20%E8%BF%9B%E5%BA%A6%E6%9D%A1.mp4", width=800, height=400)

此外，若是对大模型底层原理感兴趣，也欢迎报名由九天老师和菜菜老师共同主讲的《2025大模型原理与实战课程》(秋季班)

详细信息扫码添加助教，回复“大模型”，即可领取课程大纲&查看课程详情👇

《大模型Agent智能体开发》（12月班体验课）

Part 3. DeepAgents 应用开发实战

from IPython.display import Video

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2019-29-04.mp4", width=1500, height=400)

from IPython.display import Video

Video("https://muyu20241105.oss-cn-beijing.aliyuncs.com/images/202512031242162.mp4", width=1500, height=400)

from IPython.display import Video

Video("https://muyu20241105.oss-cn-beijing.aliyuncs.com/images/202512041730948.mp4", width=1500, height=400)

在前面的课程中，我们已经成功构建了一个具备实时联网检索能力的 DeepAgents 研究智能体。但是，当我们运行智能体时，往往只能看到最终的结果，而无法观察到智能体内部的执行过程。

在本课程中，我们将学习三种方法来可视化和应用DeepAgents的执行过程：

LangGraph Studio 可视化：使用 LangGraph 官方提供的可视化界面，实时观察智能体的执行流程；
DeepAgents UI 可视化：使用 DeepAgents 官方提供的可视化界面，实时观察智能体的执行流程；
代码打印中间结果：通过编程方式打印智能体的每一步执行过程，包括 AI 思考、工具调用和工具响应

这三种方法各有优势，LangGraph Studio 提供了图形化的界面，DeepAgents UI 则提供了用户友好的应用形态，而代码打印则是能帮助大家理解如何提取DeepAgents的执行过程用于外部应用程序的集成。

一、DeepAgents 运行环境准备

为了进行可视化调试，我们首先需要确保已经创建了 DeepAgents 智能体。这里我们复用前面课程中已经配置好的代码。

# 核心依赖导入
import os
from typing import Literal
from dotenv import load_dotenv
from tavily import TavilyClient
from deepagents import create_deep_agent

# 加载环境变量
load_dotenv(override=True)

# 读取配置
deepseek_api_key = os.environ.get("DEEPSEEK_API_KEY")
deepseek_base_url = os.environ.get("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
tavily_key = os.environ.get("TAVILY_API_KEY")

print("环境变量加载完成")

from langchain.chat_models import init_chat_model

# 使用模型字符串（LangChain 会自动识别供应商）
model = init_chat_model(
    api_key=deepseek_api_key,
    base_url=deepseek_base_url,
    model_provider="deepseek",
    model="deepseek-chat"
)

# 初始化 Tavily 客户端
tavily_client = TavilyClient(api_key=tavily_key)

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """
    运行网络搜索
    
    这是一个用于网络搜索的工具函数，封装了 Tavily 的搜索功能。
    
    参数说明：
    - query: 搜索查询字符串，例如 "Python 异步编程教程"
    - max_results: 最大返回结果数量，默认为 5
    - topic: 搜索主题类型，可选 "general"（通用）、"news"（新闻）或 "finance"（金融）
    - include_raw_content: 是否包含原始网页内容，默认为 False
    
    返回：
    - 搜索结果字典，包含标题、URL、摘要等信息
    """
    try:
        result = tavily_client.search(
            query,
            max_results=max_results,
            include_raw_content=include_raw_content,
            topic=topic,
        )
        return result
    except Exception as e:
        # 异常处理：返回错误信息而非抛出异常
        # 这样 LLM 可以理解出错并尝试其他策略
        return {"error": f"搜索失败: {str(e)}"}

print("搜索工具创建完成")

二、使用 LangGraph Studio 进行可视化

DeepAgents底层构建的是图结构，而图结构是由LangGraph支撑，大家可以思考一个问题：DeepAgents基于LangGraph框架可以开发出各种复杂的应用、Agent、Workflow等，那么这些应用、Agent、Workflow等在生产中如何部署和运行呢？解决方案就是把它们部署成一个Server。而对如何方便高效的把LangGraph的Graph部署成一个Server，LangGraph官方提供了LangGraph Platform，其完整架构如下所示：

LangGraph Studio：桌面版应用（目前仅支持Mac）和本地运行（适用于所有操作系统）；
LangServer：最终构建出来的服务，提供Assistant API接口；
Python/JS SDK：通过接口可以直接和 LangServer 提供的各个API接口连接；
Remote Graph：类似于之前LangServe的用法，可以直接用 Graph 的接口去调用，这样拿到的Graph就是一个 Runable对象，就可以去调用它的invoke，batch 等。

LangGraph Studio 是专为 LangGraph 图式代理打造的本地/云端 IDE，具备可视化节点和状态及实时调试功能。LangGraph Studio 在本地可视化运行时会自动把调用过程上传到 LangSmith；而在 LangSmith 网页端查看任何 Trace 时，又能一键Run in Studio回放整条执行链，所以它是通过统一 Trace SDK 与 LangSmith 紧密集成。而LangGraph CLI则是构建这个项目的关键

首先，我们需要安装 LangGraph CLI 工具：

# 安装 LangGraph CLI（如果尚未安装）

%pip install -qU langgraph-cli

首先需要说明的是，如果想要把一个定义的Graph添加到LangGraph Studio中，需要严格按照官方要求的项目结构进行构建，需要执行的步骤依次是：

Step 1. 创建一个NetworkSearchAgent项目主文件夹

我们这里创建一个NetworkSearchAgent文件夹，如下图所示：

Step 2. 创建requirements.txt文件

在NetworkSearchAgent文件夹中，新建一个requirements.txt文件，里面需要填写在运行该项目时需要安装的依赖项，如下所示：

Step 3. 注册LangSmith（可选）

对于企业级的Agent项目，为了更好的监控智能体实时运行情况，我们可以考虑借助LangSmith进行追踪（会将智能体运行情况实时上传到LangGraph官网并进行展示）。

要开始使用 LangSmith，我们需要创建一个帐户。可以在这里注册一个免费帐户进入LangSmith登录页面： https://smith.langchain.com/ ，支持使用 Google、GitHub、Discord 和电子邮件登录。

注册并等登录后，可以直接查看到仪表板：

在构建程序跟踪前，首先需要创建一个 API 密钥，该密钥将允许我们的项目开始向 Langsmith 发送跟踪数据。创建完密钥后，在后续配置环境变量环节设置开启追踪、并输入密钥即可接入LangSmith。

Step 4. 创建.env配置文件

在NetworkSearchAgent文件夹中，新建一个.env文件，将敏感信息（如API密钥）放在环境变量中而不是硬编码。如下所示：

这里需要注意的是，如果不设置LangSmith，则无需设置中间三个环境变量，而具体工具也可以根据实际需求进行设置。

Step 5. 创建agent.py核心文件

在NetworkSearchAgent文件夹中创建agent.py文件，在该文件中编写构建图的具体运行逻辑，如状态、节点、变、图的编译等。此外，在使用LangGraph CLI创建智能体项目时，会自动设置记忆相关内容，并进行持久化记忆存储，无需手动设置。因此此时智能体代码如下所示：

FENCE0

Step 6. 创建langgraph.json文件

在NetworkSearchAgent文件夹中，新建一个langgraph.json文件，在该json文件中配置项目信息，遵循规范如下所示：

必须包含 dependencies 和 graphs 字段
graphs 字段格式："图名": "文件路径:变量名"
配置文件必须放在与Python文件同级或更高级的目录

注意: 项目文件的名称必须为langgraph.json。如下所示：

其中：

dependencies: ["./"] - 告诉LangGraph在当前目录查找依赖项（会自动读取requirements.txt）
chatbot: "./graph.py:graph" - 定义图名为chatbot，来自graph.py文件中的graph变量
env: ".env" - 指定环境变量文件位置

最终完整项目结构如下所示：

完整的代码已经上传至百度网盘中的NetworkSearchAgent文件夹中，大家可以扫描下方二维码免费领取

Step 7. 安装langgraph-cli以及其他依赖

然后，安装langgraph-cli依赖，执行如下代码：

FENCE0

然后进入到NetworkSearchAgent文件夹，安装相关基础依赖：

FENCE0

最后，进入到NetworkSearchAgent文件夹，执行LangGraph dev即可启动项目

FENCE0

启动成功后能看到三个连接，其中第一个连接是当前部署完成后的服务端口，第二个是LangGraph Studio的可视化页面，第三个端口是端口说明。

三、DeepAgents部署后调用流程

后端服务接口

这里我们首先可以看下第三个连接，其中包含了详细的接口调用方法：

这些暴露的接口和调用方法，接下来就可以用于进行进一步开发和测试。

LangGraph Studio

然后我们可点击Studio UI中显示的链接，在浏览器中打开并访问Studio，如下所示：

完整演示流程如下所示：

from IPython.display import Video

Video("https://ml2022.oss-cn-hangzhou.aliyuncs.com/2025-06-26%2019-29-04.mp4", width=1500, height=400)

四、Deep Agents UI 开发

除了 LangGraph Studio，我们还可以将 LangGraph 服务器连接到专为 deepagents 设计的 UI ：https://github.com/langchain-ai/deep-agents-ui

Step 1. 克隆 Deep Agents UI 仓库

FENCE0

Step 2. 安装依赖

执行如下代码安装依赖： FENCE0

Step 3. 启动 UI

执行如下代码启动 UI：

FENCE0

Step 4. 连接到 LangGraph Server

Deep Agents UI 提供了更友好的聊天界面和文件系统可视化功能。

运行演示效果如下：

from IPython.display import Video

Video("https://muyu20241105.oss-cn-beijing.aliyuncs.com/images/202512031242162.mp4", width=1500, height=400)

五、【进阶实战】代码环境提取DeepAgents运行状态

除了使用 LangGraph Studio，我们还可以通过编程方式打印智能体的执行过程。这种方法更适合在研发环境中进行调试和分析。DeepAgents 基于 LangGraph 构建，支持流式输出。我们可以使用 agent.stream() 方法来实时获取执行过程中的每一步。

# 核心依赖导入
import os
from typing import Literal
from dotenv import load_dotenv
from tavily import TavilyClient
from deepagents import create_deep_agent

# 加载环境变量
load_dotenv(override=True)

# 读取配置
deepseek_api_key = os.environ.get("DEEPSEEK_API_KEY")
deepseek_base_url = os.environ.get("DEEPSEEK_BASE_URL", "https://api.deepseek.com")
tavily_key = os.environ.get("TAVILY_API_KEY")

print("环境变量加载完成")

from langchain.chat_models import init_chat_model

# 使用模型字符串（LangChain 会自动识别供应商）
model = init_chat_model(
    api_key=deepseek_api_key,
    base_url=deepseek_base_url,
    model_provider="deepseek",
    model="deepseek-chat"
)

# 初始化 Tavily 客户端
tavily_client = TavilyClient(api_key=tavily_key)

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """
    运行网络搜索
    
    这是一个用于网络搜索的工具函数，封装了 Tavily 的搜索功能。
    
    参数说明：
    - query: 搜索查询字符串，例如 "Python 异步编程教程"
    - max_results: 最大返回结果数量，默认为 5
    - topic: 搜索主题类型，可选 "general"（通用）、"news"（新闻）或 "finance"（金融）
    - include_raw_content: 是否包含原始网页内容，默认为 False
    
    返回：
    - 搜索结果字典，包含标题、URL、摘要等信息
    """
    try:
        result = tavily_client.search(
            query,
            max_results=max_results,
            include_raw_content=include_raw_content,
            topic=topic,
        )
        return result
    except Exception as e:
        # 异常处理：返回错误信息而非抛出异常
        # 这样 LLM 可以理解出错并尝试其他策略
        return {"error": f"搜索失败: {str(e)}"}

print("搜索工具创建完成")

# 文件写入工具
def write_local_file(file_path: str, content: str) -> dict:
    """
    将内容写入本地文件
    
    这是一个用于将内容保存到本地文件的工具函数。
    
    参数说明：
    - file_path: 文件路径，例如 "report.md" 或 "./reports/research_report.md"
    - content: 要写入文件的内容（字符串）
    
    返回：
    - 包含操作结果的字典，如果成功则返回 {"status": "success", "file_path": file_path}
    - 如果失败则返回 {"status": "error", "error": "错误信息"}
    """
    try:
        # 确保目录存在
        import os
        directory = os.path.dirname(file_path)
        if directory and not os.path.exists(directory):
            os.makedirs(directory, exist_ok=True)
        
        # 写入文件
        with open(file_path, 'w', encoding='utf-8') as f:
            f.write(content)
        
        return {
            "status": "success",
            "file_path": file_path,
            "message": f"文件已成功保存到: {file_path}"
        }
    except Exception as e:
        return {
            "status": "error",
            "error": f"写入文件失败: {str(e)}"
        }

print("文件写入工具创建完成")

# 系统提示词
research_instructions = """您是一位资深的研究人员。您的工作是进行深入的研究，然后撰写一份精美的报告。

您可以通过互联网搜索引擎作为主要的信息收集工具。

## 可用工具

### `互联网搜索`
使用此功能针对给定的查询进行互联网搜索。您可以指定要返回的最大结果数量、主题以及是否包含原始内容。

### `写入本地文件`
使用此功能将研究报告保存到本地文件。当您完成研究并生成报告后，请使用此工具将完整的报告内容保存到文件中。
- 文件路径建议使用 .md 格式（Markdown），例如 "research_report.md" 或 "./reports/报告名称.md"
- 请确保报告内容完整、结构清晰，包含所有章节和引用来源

## 工作流程

在进行研究时：
1. 首先将研究任务分解为清晰的步骤
2. 使用互联网搜索来收集全面的信息
3. 将信息整合成一份结构清晰的报告
4. **重要**：完成报告后，务必使用 `写入本地文件` 工具将完整报告保存到本地文件
5. 务必引用你的资料来源

**注意**：请确保在完成研究后，将完整的报告内容保存到文件中，这样用户可以方便地查看和保存报告。
"""

# 创建 Deep Agent
agent = create_deep_agent(
    model=model,
    tools=[internet_search, write_local_file],
    system_prompt=research_instructions
)

print("DeepAgents 创建成功！")

# 导入必要的库
import json
from rich.console import Console
from rich.panel import Panel
from rich.markdown import Markdown
from rich.json import JSON

# 导入 Rich 库
try:
    from rich.console import Console
    from rich.panel import Panel
    from rich.markdown import Markdown
    from rich.json import JSON
    RICH_AVAILABLE = True
    console = Console()
    print("Rich 库已加载，将使用美化输出")
except ImportError:
    RICH_AVAILABLE = False
    console = None
    print("Rich 库未安装，将使用标准输出")

我们创建一个调试函数，可以实时打印智能体的执行过程。这个函数会显示：

AI 的思考过程
工具调用的详细信息
工具响应的内容
最终的研究报告

def debug_agent(query: str, save_to_file: str = None):
    """
    运行智能体并打印中间过程（使用 Rich 美化输出）
    
    参数:
        query: 用户查询
        save_to_file: 保存最终输出到文件(可选)
    
    返回:
        str: 最终的研究报告
    """

    console.print(Panel.fit(
        f"[bold cyan]查询:[/bold cyan] {query}",
        border_style="cyan"
    ))
    
    step_num = 0
    final_response = None
    
    # 实时流式输出
    for event in agent.stream(
        {"messages": [{"role": "user", "content": query}]},
        stream_mode="values"
    ):
        step_num += 1
        
        console.print(f"\n[bold yellow]{'─' * 80}[/bold yellow]")
        console.print(f"[bold yellow]步骤 {step_num}[/bold yellow]")
        console.print(f"[bold yellow]{'─' * 80}[/bold yellow]")
        
        if "messages" in event:
            messages = event["messages"]
            
            if messages:
                msg = messages[-1]
                
                # 保存最终响应
                if hasattr(msg, 'content') and msg.content and not hasattr(msg, 'tool_calls'):
                    final_response = msg.content
                
                # AI 思考
                if hasattr(msg, 'content') and msg.content:
                    # 如果内容太长,只显示前300字符作为预览
                    content = msg.content
                    if len(content) > 300 and not (hasattr(msg, 'tool_calls') and msg.tool_calls):
                        preview = content[:300] + "..."
                        console.print(Panel(
                            f"{preview}\n\n[dim](内容较长,完整内容将在最后显示)[/dim]",
                            title="[bold green]AI 思考[/bold green]",
                            border_style="green"
                        ))
                    else:
                        console.print(Panel(
                            content,
                            title="[bold green]AI 思考[/bold green]",
                            border_style="green"
                        ))
                
                # 工具调用
                if hasattr(msg, 'tool_calls') and msg.tool_calls:
                    for tool_call in msg.tool_calls:
                        tool_info = {
                            "工具名称": tool_call.get('name', 'unknown'),
                            "参数": tool_call.get('args', {})
                        }
                        console.print(Panel(
                            JSON(json.dumps(tool_info, ensure_ascii=False)),
                            title="[bold blue]工具调用[/bold blue]",
                            border_style="blue"
                        ))
                
                # 工具响应
                if hasattr(msg, 'name') and msg.name:
                    response = str(msg.content)[:500]
                    if len(str(msg.content)) > 500:
                        response += f"\n... (共 {len(str(msg.content))} 字符)"
                    
                    console.print(Panel(
                        response,
                        title=f"[bold magenta]工具响应: {msg.name}[/bold magenta]",
                        border_style="magenta"
                    ))
    
    console.print("\n[bold green]任务完成![/bold green]\n")
    
    return final_response

print("调试函数已创建")

现在让我们使用调试函数来运行一个研究任务，观察智能体的执行过程：

# 示例：使用调试函数运行研究任务
query = "详细调研 LangChain DeepAgents 框架的核心特性，并写一份结构化的总结报告。"

# 使用调试函数）
result = debug_agent(query)

当然，我们也给大家提供了直接运行的.py文件，大家可以在百度网盘中领取：

课程说明：​

课程完整介绍​

部分课程成果演示​

《大模型Agent智能体开发》（12月班体验课）

Part 3. DeepAgents 应用开发实战​

一、DeepAgents 运行环境准备

二、使用 LangGraph Studio 进行可视化

三、DeepAgents部署后调用流程

四、Deep Agents UI 开发

五、【进阶实战】 代码环境提取DeepAgents运行状态

课程说明：

课程完整介绍

部分课程成果演示

Part 3. DeepAgents 应用开发实战

五、【进阶实战】代码环境提取DeepAgents运行状态