基于 LangChain / LangGraph 生态，系统构建生产级 AI Agent
由 沧海九粟 出品 · LangChain 官方认证大使 · 《LangChain 实战》《LangGraph 实战》作者 · B 站万粉 UP 主
Warning
本课程讲授的 Deep Agents 版本为 ≥ 0.5。
部分进阶功能有更高最低版本要求，章节正文会单独标注；例如 FilesystemPermission 基础权限需要 deepagents>=0.5.2，FilesystemBackend 的 virtual_mode 参数需要 deepagents>=0.5.0，interrupt 权限模式需要 deepagents>=0.6.8。RubricMiddleware 仍为 Beta，需要 deepagents>=0.6.5，第 13 章以 deepagents==0.7.1 验证版本化行为；第 14 章以 deepagents>=0.6 引入的 Event Streaming v3 为主线。
官方文档：Deep Agents Overview
Note
🤖 模型选择：示例默认通过 硅基流动 接入模型。建议用 MODEL_NAME 环境变量管理模型名，而非写死在代码里；平台模型、价格和免费范围会调整，使用前请查看 模型广场、价格页与更新公告。
- 入门 / 简单任务 — 当前免费版
Qwen/Qwen2.5-7B-Instruct可用于跑通示例；如果想用更强一点、同时控制成本，deepseek-ai/DeepSeek-V4-Flash也适合作为快速试跑的选择。 - 复杂场景（任务规划、上下文总结、多子 Agent 编排）— 小模型往往无法稳定跑通，建议改用能力更强、支持工具调用的模型：
zai-org/GLM-5.2— 面向长程 Agent 任务，支持 1M 上下文
配合课程学习，推荐安装以下两个 AI 编码助手技能，在开发过程中获得框架级的专业指导：
# LangChain 开发指南 — 工程陷阱与验证修复
npx skills add ob-labs/agentseek --skill langchain-dev-guide
# LangSmith Trace 调试 — 追踪与性能分析
npx skills add ob-labs/agentseek --skill langsmith-trace基于 AgentSeek 工程化套件，帮助学员快速搭建开发环境：
- AgentSeek 生命周期工作流：创建 DeepAgents 模板，检查环境并启动前后端
npx skills安装开发技能：为 AI 编码助手加载 LangChain 工程经验
每个章节卡片都标出了最合适的 AgentSeek 模板和适配理由；README 也按同样的章节分区列出，读到哪一章就从哪一行开始实验。第 6、8、9、11 章需要在模板基础上按正文补充本章能力，具体步骤以章节内容为准；第 14 章已经有可直接运行的专用模板。
先升级 AgentSeek，并确认 main 分支当前有哪些模板：
uv tool install --upgrade agentseek
agentseek create --list-templates --checkout main进入生成目录后，所有模板遵循同一套生命周期入口：
cd <生成的项目目录>
agentseek info
agentseek task --list
# 按 task --list 的输出完成依赖安装，并按项目 README 配置 .env
agentseek doctor
agentseek dev--checkout main 用于获取最新批次模板，适合跟课实验；如果需要冻结作业环境，请将 main 换成记录下来的完整提交 SHA。
- 模板：
deepagents/default - 实验：从最小
create_deep_agent项目识别 Runtime、Framework 与 Harness 的边界。
agentseek create deepagents/default --checkout main --no-input- 模板：
deepagents/default - 实验：修改系统提示词和自定义工具，跑通第一个可工作的 Deep Agent。
agentseek create deepagents/default --checkout main --no-input- 模板：
deepagents/content-builder - 实验：利用现成
FilesystemBackend观察内容、中间结果和 Skills 如何落盘。
agentseek create deepagents/content-builder --checkout main --no-input- 模板：
deepagents/research - 实验：通过 Todo 面板观察
write_todos的计划生成与状态变化。
agentseek create deepagents/research --checkout main --no-input- 模板：
deepagents/research - 实验：观察主 Agent 将搜索委派给 research-agent，并比较两侧上下文。
agentseek create deepagents/research --checkout main --no-input- 模板：
deepagents/research - 实验：从同步研究应用开始，按本章将 researcher 拆成独立 graph 并接入
AsyncSubAgent。
agentseek create deepagents/research --checkout main --no-input第 7 章：Skills — 可复用的 Agent 能力包
- 模板：
deepagents/content-builder - 实验：使用内置 blog-post 与 social-media Skills 观察匹配和渐进式加载。
agentseek create deepagents/content-builder --checkout main --no-input第 8 章：长期记忆 — 让 Agent 拥有跨对话的记忆
- 模板：
deepagents/content-builder - 实验：从内容应用开始，按本章加入
CompositeBackend、StoreBackend和运行时 namespace。
agentseek create deepagents/content-builder --checkout main --no-input- 模板：
deepagents/mcp - 实验：从 MCP 应用开始，按本章为有副作用的工具配置
interrupt_on。
agentseek create deepagents/mcp --checkout main --no-input第 10 章：沙箱执行 — 让 Agent 安全地运行代码
- 模板：
deepagents/sandbox - 实验：选择 Daytona 或 LangSmith Sandbox，观察隔离执行、文件读写与清理。
agentseek create deepagents/sandbox --checkout main --no-input- 模板：
deepagents/content-builder - 实验：从真实内容目录开始，按本章加入
FilesystemPermission并划分访问边界。
agentseek create deepagents/content-builder --checkout main --no-input- 模板：
deepagents/mcp - 实验：验证 stdio/HTTP Server、工具发现、稳定前缀与名称冲突。
agentseek create deepagents/mcp --checkout main --no-input- 模板：
langchain/rubric - 实验：先运行无需模型密钥的 Guided Demo，再观察 Evidence 与 Acceptance Gate。
agentseek create langchain/rubric --checkout main --no-input- 模板：
deepagents/streaming（由 agentseek-templates PR #20 引入） - 实验：直接运行 Event Streaming v3 应用，观察 coordinator/subagent messages、工具生命周期、状态快照、最终输出和 raw protocol，并核对哪些字段来自官方协议、哪些由模板 adapter 生成。
agentseek create deepagents/streaming --checkout main --no-input后续课程内容将根据 Deep Agents 的官方能力演进持续更新。
- 视频合集：B 站 — 《Deep Agents 实战》合集
- 图文合集：小红书 — 《Deep Agents 实战》合集
- 课程网站：部署在 GitHub Pages
由 沧海九粟 在 DataWhale 上开源的另一门课程，是面向所有 AI 爱好者的 Data 与 AI 基础入门教程 —— 《Easy Data x AI》。目前已经进入了内测阶段，欢迎大家来学习和积极参与共建。
|
本课程的模型算力由 硅基流动（SiliconFlow） 支持。硅基流动是一站式大模型云服务平台，基于自研推理引擎实现大模型高效推理加速，提供高效能、低成本的多品类 AI 模型服务，让开发者和企业聚焦产品创新，无须担心大规模推广带来的高昂算力成本。 |
- 🎁 新用户福利：通过 课程专属注册链接 注册并完成实名认证，即可获得 16 元全平台通用代金券，可用于平台上百余种模型的调用，足够跑通本课程的全部示例。
- 🧪 实验配额补贴池：用上面的链接注册时，作者也会获得平台返利。这部分返利会全额回馈给学员——汇集成一个「实验配额补贴池」：跟着课程做实验、复现示例时如果额度不够用，可以联系作者申请额外的算力配额补贴，把福利转回给真正在动手的同学。
- 感谢 @Sm1les 对本项目的帮助与支持。
- 感谢每一位为本项目提交代码、修正文档、提出建议的开发者，所有贡献都让这门课程变得更好。❤️
- Node.js ≥ 22.12.0
# 安装依赖
npm install
# 启动开发服务器（含内容预处理）
npm run dev
# 构建生产版本
npm run build
# 预览构建产物
npm run previewdeepagents-in-action/
├── content/ # 章节正文（Markdown，每章一个文件）
│ ├── ch01-agent-harness.md
│ ├── ch02-quickstart.md
│ └── ...
├── public/
│ ├── imgs/ # 正文插图
│ └── pdfs/ # 章节 PDF
├── scripts/
│ ├── chapters.json # 章节元数据（标题、发布状态、视频链接等）
│ └── prep-content.mjs # 内容预处理脚本（注入 frontmatter）
└── src/
├── components/ # Astro 组件
├── layouts/ # 页面布局
└── pages/ # 路由页面
content/ 目录中的 Markdown 文件是源文件，不含 frontmatter。
scripts/prep-content.mjs 在 dev / build 前自动运行，从 scripts/chapters.json 读取元数据，生成带 frontmatter 的文件到 src/content/chapters/。
正文图片统一写成 ../public/imgs/<文件名>。内容预处理会将它转换为带站点 base 的 /deepagents-in-action/imgs/<文件名>；资产校验会同时检查 Markdown 中引用的图片是否真实存在于 public/imgs/。
注意：
content/下.md文件的首行 H1 标题在生成时会被自动移除， 页面标题统一取自scripts/chapters.json。
添加或修改章节内容，只需编辑 content/ 目录下对应的 .md 文件。
修改标题、发布状态、视频链接等元数据，编辑 scripts/chapters.json。
- Astro 6 — 静态站点框架
- Tailwind CSS 4 — 样式
- TypeScript
课程文字内容采用 CC BY-NC-SA 4.0 协议。
网站源代码采用 MIT 协议。
欢迎提交 PR 修正错别字、改善排版，或参与内容讨论。所有贡献者都会出现在特别感谢中，并获赠 LangChain 官方社区（中国）礼品。详见 CONTRIBUTING.md。