starzy

架构概览：三文件分工api_view/api/ ├── chat.py ★ 核心：SSE 流式对话 + 中断检测 + 中断恢复 + 展示消息持久化 ├── history.py ← 历史会话列表 / 消息查询 / 会话删除 └── agent_loader.py (上层) ← Agent 单例 / MongoDB 连接 / 展示消息存取 整体数据流 前端 (浏览器) 后端 (FastAPI) LangGraph Agent ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━...

完整的Agent Harness由几个相互配合的核心能力层构成，它们共同决定了Agent的行为和性能： 任务规划：通过内置的任务清单功能，将复杂目标分解为一系列可执行的子任务，并追踪每一步的执行状态。 虚拟文件系统：为Agent提供一个内置的虚拟文件管理系统，支持读写、编辑、搜索等操作，使其能像人类开发者一样进行工作。 子Agent委派：主Agent可以创建专门的“子Agent”来执行特定任务，实现任务隔离和上下文压缩。 上下文管理：通过文件系统等策略，管理长对话中的Token消耗，防止因上下文溢出而导致性能下降。 可插拔中间件：通过一组Hook函数，在模型和工具调用的关键节点注入自定...

项目准备 Java的ERP系统 模拟的供应商网站 魔塔社区免费的可视化分析工具 DeepAgents ==0.4.12版本/ 先不要更新到最新的 DeepAgents 后台长周期复杂任务的执行（0.5后可以）AsyncSubAgent（子Agent）—-ASGI协议——> 主Agent（langgraph dev或者langsmith的服务器中托管） 5月12日-0.6 （上下文优化策略：内置代码解释器：支持TypeScript，下一版本会支持Python语言） 项目目录架构src/ ├── agent/ ...

上下文工程（Context Engineering）是设计和控制智能体在运行过程中可获取的信息的过程。在 Deep Agents 中，智能体能够访问多种类型的上下文，有些在启动时提供，有些在运行时动态补充。框架内置了自动管理上下文的机制，使得智能体即使在长时间运行的任务中，也不会超出模型上下文窗口的限制。 下表总结了主要的上下文类型及其作用范围： 上下文类型 控制内容 作用范围 输入上下文 系统提示、记忆文件、技能文件、工具提示 每次运行均生效，静态加载 运行时上下文 用户元数据、API 密钥、数据库连接等 单次调用（invoke）级别，可传播给子智能体 上下文压缩 ...

什么是沙箱（Sandbox）智能体（Agent）需要生成代码、操作文件系统并运行 Shell 命令。由于我们无法预测智能体会执行什么操作，因此必须将其环境与主机系统隔离，防止其访问凭证、文件或网络。沙盒（Sandbox）通过创建智能体执行环境与主机系统之间的边界，提供了这种隔离能力。 在 Deep Agents 中，沙盒是一种特殊的后端（Backend）。与其他仅暴露文件操作的后端（State, Filesystem, Store）不同，沙盒后端还为智能体提供了一个 execute工具，用于在隔离环境中运行任意 Shell 命令。 沙盒就是给智能体准备的一个“封闭房间”： 智能体在里面...

多Agent的必要性问题：复杂任务通常需要多个步骤和不同领域的专业知识。让一个Agent“全能”地处理所有事情会导致： 上下文臃肿：Agent在一次对话中可能调用很多工具，产生大量中间结果，这些都会挤占有限的上下文窗口，影响后续决策。 缺乏专业性：一个Agent的指令（System Prompt）难以兼顾所有 specialized 任务的最佳实践。 解决方案：多Agent系统。引入一个“主Agent”（Supervisor）负责协调，将特定子任务分配给具有专业能力的“子Agent”（Subagent）执行。子Agent在独立的环境中完成任务后，将精简的结果返回给主Agent。 核...

Backend系统概述后端是智能体（Agent）文件系统工具的底层实现，它决定了Agent可以访问哪些存储介质（如内存、本地磁盘、数据库等）以及如何访问。 DeepAgents 通过一套文件系统工具（如 ls, read_file, write_file等）为Agent提供与外界存储交互的能力。这些工具并不直接操作存储，而是通过一个可插拔的后端（Backend）来执行实际的操作。后端是一个遵循特定协议（BackendProtocol）的组件。 Agent的文件系统工具调用后端，后端再根据配置将操作路由到不同的具体存储实现，DeepAgents 提供了多种开箱即用的后端，适用于不同场景。例...

DeepAgents框架的核心DeepAgents 是 LangChain 团队 在 LangChain 和 LangGraph 之上推出的 第三个独立开源项目，是一个 “开箱即用”的深度智能体框架。 DeepAgent框架的由来和定义 Deep Agents 并非颠覆性技术创新，而是将业界验证过的最佳实践打包成开箱即用的框架。它的灵感来源于 Claude Code、Deep Research、Manus 等成功应用，这些应用证明了四个关键点： Agent 需要规划能力 —— 不能上来就开干，得先拆解任务 Agent 需要文件系统 —— 长对话中，得有地方放中间结果，需要加载本地环境 ...

什么是Agent？Agent的核心定义是：将大语言模型与工具结合，创建一个能够推理任务、决定使用哪个工具，并迭代式地寻找解决方案，一直到最后完成用户指定任务的系统软件。 可以这样理解： 大语言模型 是系统的“大脑”，负责理解和推理，规划下一步行动。 工具 是系统的“手”和“感官”，能让Agent执行具体的操作（如计算、搜索网络、查询数据库等）。 Agent 是一个协调“大脑”和“手”的自动化工作流。它根据模型对任务的理解，智能地选择并调用一个或多个工具，根据工具的返回结果（观察）再次进行推理，循环往复，直到任务完成或达到停止条件。 Agent和传统调用大模型的区别2025年是“Ag...

Agent介绍什么是Agent在LangChain框架中，Agent（智能体）是一个高级组件，它通过将大型语言模型（LLM）与一系列外部工具（Tools）相结合，构建了一个能够自主推理并执行复杂任务的智能系统。其核心思想是利用LLM作为推理引擎（Reasoning Engine），让模型能够动态地决定为解决用户问题所需采取的行动序列，包括选择何种工具、以何种顺序调用，并迭代地处理工具返回的结果，直至任务完成。 简单来说，一个Agent不再仅仅是生成文本的模型，而是一个具备“思考-行动-观察”循环的自主工作者。当用户提出一个复杂需求时，Agent会像人类一样，先理解任务、规划步骤、使用...

重点介绍Agent长期记忆，短期记忆使Agent能够在单次会话中维持对话的连贯性，而长期记忆则赋予了Agent跨会话学习和积累知识的能力。这样Agent能够构建持久的用户画像，形成经验库，并持续优化自身行为，从而提供真正个性化、智能化的服务。 长期记忆介绍长期记忆是一种用于存储用户特定信息或应用级数据的系统，其核心特点是跨越会话和线程共享。与短期记忆局限于单一线程（thread_id）不同，长期记忆中的数据可以被任何时间、在任何线程中召回。其存储范围（作用域）被定义在自定义的命名空间中，而非单个线程ID内。 在LangChain框架中，长期记忆通过存储（Store）组件来实现，Sto...

在构建能够进行多轮交互的AI代理（Agents）时，记忆系统是其核心组件之一。记忆使Agent能够保留先前交互的信息，从而学习反馈、适应用户偏好，并高效处理复杂任务。Agent记忆可分为短期记忆和长期记忆。本章节重点介绍短期记忆相关内容。 短期记忆介绍短期记忆（Short-term Memory），也称为线程范围记忆（Thread-scoped Memory），是指应用程序在单个线程或会话中记住先前交互的能力，其本质是维护当前会话的完整对话历史，以实现多轮对话的连贯性、个性化响应及上下文感知。 在LangChain生态中，短期记忆被作为Agent状态（State）的一部分进行管理。状态通...