DeepAgents 应用开发实战

---

《大模型Agent智能体开发》（12月班体验课）

Part 3. DeepAgents 应用开发实战

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：

1. 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；
2. 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；
3. 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")

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")

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