Deep Agents: ein Python-Toolkit zur schnellen Entwicklung von KI-Agenten für komplexe Aufgaben

Deep Agents ist ein Python-Toolkit, das von LangChainAI entwickelt wurde, um Benutzern bei der schnellen Entwicklung von KI-Agenten zu helfen, die komplexe Aufgaben bewältigen können. Es basiert auf dem LangGraph-Framework und bietet integrierte Planungstools, Unteragenten, ein virtuelles Dateisystem und detaillierte Systemtipps. Deepagents eignet sich für Entwickler, die Forschung, Codierung oder andere komplexe Aufgaben automatisieren müssen, wobei der Schwerpunkt auf einer sofortigen Nutzung und flexiblen Anpassung liegt. Das Projekt steht unter der MIT-Lizenz, mit offenem Quellcode, einer aktiven Community und kontinuierlichen Updates.

Funktionsliste

• Integrierte Planungstools zur automatischen Aufteilung komplexer Aufgaben in umsetzbare Schritte.
• Unterstützt die Zusammenarbeit von Unteragenten, die Zuweisung von Aufgaben an mehrere KI-Agenten und die Koordinierung der Arbeit.
• Enthält ein virtuelles Dateisystem, das Dateioperationen zur Unterstützung von Agentenaufgaben simuliert.
• Voreingestellte detaillierte Systemaufforderungen zur Optimierung der Entscheidungsfindung und der Leistung des KI-Agenten.
• Sie basiert auf dem LangGraph-Framework und unterstützt Anpassungen und Erweiterungen auf niedriger Ebene.
• Sofort einsatzbereites Python-Paket, das die Installation und Erstkonfiguration vereinfacht.
• Unterstützt asynchrone Operationen, um die Ausführungseffizienz komplexer Aufgaben zu verbessern.
• Der mitgelieferte Beispielcode und die Dokumentation helfen den Benutzern, schnell loszulegen.

Hilfe verwenden

Einbauverfahren

Deepagents hat einen einfachen Installationsprozess für Entwickler, die mit Python vertraut sind. Nachfolgend finden Sie die detaillierten Installationsschritte:

1. Sicherstellung der Umweltanforderungen::
   • Erfordert Python 3.8 oder höher.
   • Eine virtuelle Umgebung wird empfohlen, um Abhängigkeitskonflikte zu vermeiden.

   python -m venv venv
   source venv/bin/activate  # Windows: venv\Scripts\activate
   

2. Deepagents installieren::
   • Verwenden Sie pip, um die neueste Version direkt zu installieren.

   pip install deepagents
   

   • Prüfen Sie nach Abschluss der Installation, ob sie erfolgreich war.

   python -m deepagents --version
   

3. Konfigurieren des API-Schlüssels::
   • Deepagents ist für die Intelligenzunterstützung auf einen externen LLM (wie OpenAI oder Anthropic) angewiesen. Die API-Schlüssel müssen in Umgebungsvariablen konfiguriert werden.
   • einrichten..envDatei oder exportieren Sie Umgebungsvariablen direkt:

   export OPENAI_API_KEY=your_openai_key
   export TAVILY_API_KEY=your_tavily_key  # 用于搜索功能
   

   • sicher.envDie Dateien werden nicht in öffentliche Repositories hochgeladen, um die Sicherheit der Schlüssel zu gewährleisten.
4. Überprüfen der Installation::
   • Führen Sie den Beispielcode aus, um zu überprüfen, ob die Umgebung richtig konfiguriert ist.

   from deepagents import DeepAgent
   agent = DeepAgent()
   print(agent.run("Hello, world!"))
   

Hauptfunktionen

Das Herzstück von Deepagents ist das Erstellen und Ausführen von KI-Agenten. Hier erfahren Sie, wie Sie die wichtigsten Funktionen nutzen können:

1. Erstellen eines AI-Agenten::
   • ausnutzenDeepAgentDie Klasse initialisiert den Agenten und legt das Aufgabenziel fest.

   from deepagents import DeepAgent
   agent = DeepAgent(task="研究2025年AI发展趋势")
   

2. Planung und Aufteilung von Einsätzen::
   • Das Planungswerkzeug von Deepagents zerlegt komplexe Aufgaben automatisch in Teilaufgaben. Der Benutzer gibt einfach eine Aufgabenbeschreibung ein und der Agent erstellt einen Ausführungsplan.
   • Beispiel: Durchführung einer Forschungsaufgabe.

   result = agent.plan_and_execute()
   print(result)
   

   • Die Planungsergebnisse werden in einem virtuellen Dateisystem gespeichert, auf das die Sub-Agenten zugreifen können.
3. Zusammenarbeit von Subagenten::
   • Deepagents unterstützt mehrere parallel arbeitende Unteragenten. Benutzer können die Anzahl der Unteragenten und ihre Zuständigkeiten in einer Konfigurationsdatei festlegen.
   • Beispiel: Konfigurieren Sie zwei Subagenten, einen für die Suche und einen für die Verdichtung.

   agent.add_subagent(role="searcher", tool="tavily_search")
   agent.add_subagent(role="summarizer", tool="text_processor")
   agent.execute_collaboration()
   

4. virtuelles Dateisystem::
   • Der Agent speichert Zwischenergebnisse in einem virtuellen Dateisystem, um reale Dateivorgänge zu simulieren.
   • Der Benutzer kann auf den Inhalt der Datei zugreifen:

   files = agent.filesystem.list_files()
   content = agent.filesystem.read_file("research_summary.txt")
   print(content)
   

5. Maßgeschneiderte Systemwarnungen::
   • Deepagents ermöglicht es den Benutzern, die Systemaufforderungen zu ändern, um das Verhalten der Agenten zu optimieren.
   • BEISPIEL: Einrichten einer Eingabeaufforderung für eine Rechercheaufgabe.

   agent.set_system_prompt("请以客观语气生成研究报告，引用可靠来源。")
   

Featured Function Bedienung

Deepagents zeichnet sich durch die Unterstützung von komplexen Aufgaben aus. So funktioniert es:

1. eine Langzeitaufgabe bearbeiten::
   • Deepagents eignen sich für Aufgaben, die eine mehrstufige Argumentation durch Werkzeugaufrufschleifen und die Zusammenarbeit von Unteragenten erfordern.
   • Beispiel: Analyse von Markttrends.

   agent = DeepAgent(task="分析2025年电动车市场趋势")
   agent.plan_and_execute(max_iterations=10)  # 最多10次迭代
   report = agent.filesystem.read_file("market_report.md")
   print(report)
   

2. asynchrone Aufgabenausführung::
   • Unterstützung asynchroner Operationen, geeignet für Szenarien mit hoher Gleichzeitigkeit.

   import asyncio
   async def run_agent():
   agent = DeepAgent(task="搜索最新AI论文")
   return await agent.async_execute()
   result = asyncio.run(run_agent())
   print(result)
   

3. Integration mit LangGraph::
   • Die Benutzer können in die LangGraph-Schicht eindringen und den Arbeitsablauf der Agenten anpassen.
   • Beispiel: Ändern eines Workflow-Knotens.

   from langgraph.graph import StateGraph
   graph = StateGraph()
   graph.add_node("research", agent.run_research)
   agent.set_graph(graph)
   

Vorsichtsmaßnahmen für die Verwendung

• Vergewissern Sie sich, dass Ihre Internetverbindung stabil ist und dass einige Funktionen (z. B. die Suche) den Zugriff auf externe APIs erfordern.
• Prüfen Sie das GitHub-Repository von Deepagents regelmäßig auf die neuesten Updates und Korrekturen.
• Wenn Sie auf Abhängigkeitskonflikte stoßen, versuchen Sie, pip zu aktualisieren oder eine saubere virtuelle Umgebung zu verwenden.
• Die Community unterstützt das Projekt aktiv, und Probleme können über GitHub Issues oder durch Teilnahme an Discord-Diskussionen gemeldet werden.

Anwendungsszenario

1. Unterstützung bei der akademischen Forschung
   Forscher können Deepagents verwenden, um das Sammeln von Dokumenten, die Analyse von Daten und die Erstellung von Berichten zu automatisieren. Geben Sie z. B. "Forschung zu den jüngsten Fortschritten im Quantencomputing" ein, und der Agent sucht nach maßgeblichen Quellen, fasst die wichtigsten Ergebnisse zusammen und erstellt einen Markdown-Bericht.
2. Unterstützung bei der Softwareentwicklung
   Entwickler können Deepagents verwenden, um Code-Repositories zu analysieren, Dokumentationen zu erstellen oder das Debugging zu automatisieren. Geben Sie "Analysieren Sie die Codestruktur eines GitHub-Repositorys" ein, und der Agent wird die Aufgabe aufschlüsseln, einen Unteragenten aufrufen, um den Code zu untersuchen und einen Analysebericht zu erstellen.
3. Sammlung von Marktinformationen
   Unternehmensanwender können Deepagents Markttrends oder die Dynamik von Wettbewerbern untersuchen lassen. Geben Sie zum Beispiel "Analysieren Sie die Investitionstrends der KI-Branche 2025" ein, und der Agent durchsucht Nachrichten, Berichte und soziale Medien, um detaillierte Informationen zu generieren.
4. Erstellung von Bildungsinhalten
   Lehrkräfte können Deepagents verwenden, um Unterrichtsmaterialien oder Kurspläne zu erstellen. Geben Sie ein: "Erstellen Sie einen Lehrplan für einen KI-Einführungskurs", und der Agent wird nach relevanten Ressourcen suchen, den Inhalt planen und ein strukturiertes Dokument ausgeben.

QA

1. Welche LLMs werden von Deepagents unterstützt?
   Deepagents ist kompatibel mit gängigen LLMs wie OpenAI, Anthropic usw. Es unterstützt auch die Verwendung von Open-Source-Modellen wie Llama über LangChain-Adapter. Sie müssen das Modell und den API-Schlüssel in der Konfigurationsdatei angeben.
2. Wie geht man mit kompromittierten API-Schlüsseln um?
   Legen Sie nicht.envDatei-Uploads in öffentliche Repositories. Verwenden Sie Umgebungsvariablen zur Verwaltung von Schlüsseln und zur Einschränkung von Schlüsselberechtigungen in der Produktionsumgebung.
3. Ist Deepagents für Anfänger geeignet?
   Ja, Deepagents bietet eine ausführliche Dokumentation und Beispielcode und ist einfach zu installieren. Anfänger können mit nur grundlegenden Python-Kenntnissen loslegen.
4. Was sollte ich tun, wenn zur Laufzeit ein Abhängigkeitsfehler auftritt?
   Ich versuche, pip zu aktualisieren (pip install --upgrade pip) oder erstellen Sie die virtuelle Umgebung neu. Wenn das Problem weiterhin besteht, prüfen Sie GitHub Issues oder reichen Sie ein neues Issue ein.
5. Kann ich Deepagents offline verwenden?
   Einige Funktionen (z. B. Suche) erfordern eine Internetverbindung, aber Planungs- und Dateisystemfunktionen werden unterstützt, um offline zu laufen. Eine Vorkonfiguration des lokalen LLM ist erforderlich.