Deep Agents: um kit de ferramentas Python para criar rapidamente agentes de IA para tarefas complexas

O Deep Agents é um kit de ferramentas Python desenvolvido pela LangChainAI com o objetivo de ajudar os usuários a criar rapidamente agentes de IA capazes de lidar com tarefas complexas. Ele é baseado na estrutura LangGraph e fornece ferramentas de planejamento integradas, subagentes, um sistema de arquivos virtual e dicas detalhadas do sistema. Os usuários podem criar rapidamente agentes inteligentes que suportam tarefas de longa duração e fluxos de trabalho complexos por meio de instalação e configuração simples. O Deepagents é adequado para desenvolvedores que precisam automatizar pesquisas, codificação ou outras tarefas complexas, com ênfase no uso pronto para uso e na personalização flexível. O projeto está sob a licença MIT, com código-fonte aberto, uma comunidade ativa e atualizações contínuas.

Lista de funções

• Fornece ferramentas de planejamento incorporadas para dividir automaticamente tarefas complexas em etapas acionáveis.
• Oferece suporte à colaboração de subagentes, atribuindo tarefas a vários agentes de IA e coordenando o trabalho.
• Contém um sistema de arquivos virtual que simula operações de arquivos para dar suporte às tarefas do agente.
• Prompts de sistema detalhados predefinidos para otimizar a tomada de decisões e os resultados do agente de IA.
• Baseado na estrutura LangGraph, ele oferece suporte a personalização e extensões de baixo nível.
• Pacote Python pronto para uso que simplifica a instalação e a configuração inicial.
• Oferece suporte a operações assíncronas para aumentar a eficiência da execução de tarefas complexas.
• O código de amostra e a documentação são fornecidos para ajudar os usuários a começar rapidamente.

Usando a Ajuda

Processo de instalação

O Deepagents tem um processo de instalação simples para desenvolvedores familiarizados com Python. Abaixo estão as etapas detalhadas da instalação:

1. Garantia de requisitos ambientais::
   • Requer Python 3.8 ou superior.
   • Recomenda-se um ambiente virtual para evitar conflitos de dependência.

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

2. Instalar Deepagents::
   • Use o pip para instalar a versão mais recente diretamente.

   pip install deepagents
   

   • Quando a instalação for concluída, verifique se foi bem-sucedida.

   python -m deepagents --version
   

3. Configuração da chave de API::
   • O Deepagents depende de um LLM externo (como OpenAI ou Anthropic) para suporte de inteligência. As chaves de API precisam ser configuradas em variáveis de ambiente.
   • estabelecer.envou exportar variáveis de ambiente diretamente:

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

   • seguro.envOs arquivos não são carregados em repositórios públicos para proteger a segurança das chaves.
4. Verificar a instalação::
   • Execute o código de amostra para confirmar que o ambiente está configurado corretamente.

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

Funções principais

No centro do Deepagents está a criação e a execução de agentes de IA. Veja a seguir como usar os principais recursos:

1. Criação de um agente de IA::
   • fazer uso deDeepAgentA classe inicializa o agente e especifica o objetivo da tarefa.

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

2. Planejamento e detalhamento da missão::
   • A ferramenta de planejamento do Deepagents divide automaticamente tarefas complexas em subtarefas. O usuário simplesmente fornece uma descrição da tarefa e o agente gera um plano de execução.
   • Exemplo: executar uma tarefa de pesquisa.

   result = agent.plan_and_execute()
   print(result)
   

   • Os resultados do planejamento são armazenados em um sistema de arquivos virtual para acesso pelos subagentes.
3. Colaboração de subagentes::
   • O Deepagents suporta vários subagentes trabalhando em paralelo. Os usuários podem especificar o número de subagentes e suas responsabilidades por meio de um arquivo de configuração.
   • Exemplo: Configure dois subagentes, um para pesquisar e outro para resumir.

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

4. sistema de arquivos virtual::
   • O agente armazena resultados intermediários em um sistema de arquivos virtual para simular operações de arquivos reais.
   • O usuário pode acessar o conteúdo do arquivo:

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

5. Alertas personalizados do sistema::
   • O Deepagents permite que os usuários modifiquem os prompts do sistema para otimizar o comportamento do agente.
   • EXEMPLO: Configuração de um prompt para uma tarefa de pesquisa.

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

Operação da função em destaque

O Deepagents é caracterizado por seu suporte a tarefas complexas. Veja como ele funciona:

1. processar uma tarefa de longa duração::
   • Os Deepagents são adequados para tarefas que exigem raciocínio em várias etapas por meio de loops de chamadas de ferramentas e colaboração de subagentes.
   • Exemplo: análise de tendências de mercado.

   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. execução assíncrona de tarefas::
   • Suporta operação assíncrona, adequada para cenários de alta simultaneidade.

   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. Integração com o LangGraph::
   • Os usuários podem se aprofundar na camada LangGraph e personalizar o fluxo de trabalho do agente.
   • Exemplo: Modificação de um nó de fluxo de trabalho.

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

Precauções de uso

• Certifique-se de que sua conexão com a Internet seja estável e que algumas funções (por exemplo, pesquisa) exijam acesso a APIs externas.
• Verifique regularmente o repositório GitHub do Deepagents para obter as atualizações e correções mais recentes.
• Se você encontrar conflitos de dependência, tente atualizar o pip ou usar um ambiente virtual limpo.
• O suporte da comunidade está ativo, e os problemas podem ser enviados por meio do GitHub Issues ou participando de discussões no Discord.

cenário do aplicativo

1. Assistência à pesquisa acadêmica
   Os pesquisadores podem usar o Deepagents para automatizar o processo de coleta de artigos, análise de dados e geração de relatórios. Por exemplo, digite "research on recent advances in quantum computing" (pesquisa sobre avanços recentes em computação quântica) e o agente pesquisará fontes confiáveis, resumirá as principais descobertas e gerará um relatório Markdown.
2. Suporte ao desenvolvimento de software
   Os desenvolvedores podem usar o Deepagents para analisar repositórios de código, gerar documentação ou automatizar a depuração. Digite "Analyse the code structure of a GitHub repository" (Analisar a estrutura de código de um repositório do GitHub) e o agente dividirá a tarefa, chamará um subagente para inspecionar o código e gerará um relatório de análise.
3. Coleta de informações de mercado
   Os usuários corporativos podem fazer com que o Deepagents pesquise tendências de mercado ou a dinâmica da concorrência. Por exemplo, digite "Analyse AI Industry Investment Trends 2025" e o agente pesquisará notícias, relatórios e mídias sociais para gerar inteligência detalhada.
4. Geração de conteúdo educacional
   Os professores podem usar o Deepagents para gerar materiais didáticos ou esboços de cursos. Digite "Generate a syllabus for an introductory AI course" (Gerar um programa de estudos para um curso introdutório de IA) e o agente pesquisará os recursos relevantes, planejará o conteúdo e produzirá um documento estruturado.

QA

1. Quais são os LLMs suportados pela Deepagents?
   O Deepagents é compatível com os principais LLMs, como OpenAI, Anthropic etc. Ele também oferece suporte ao uso de modelos de código aberto, como Llama, por meio de adaptadores LangChain.
2. Como lidar com o comprometimento da chave de API?
   Não coloque.envUpload de arquivos em repositórios públicos. Use variáveis de ambiente para gerenciar chaves e restringir permissões de chaves no ambiente de produção.
3. O Deepagents é adequado para iniciantes?
   Sim, o Deepagents fornece documentação detalhada e código de amostra e é fácil de instalar. Os iniciantes podem começar com apenas conhecimentos básicos de Python.
4. O que devo fazer se encontrar um erro de dependência em tempo de execução?
   Tentando atualizar o pip (pip install --upgrade pip) ou recriar o ambiente virtual. Se o problema persistir, verifique os problemas do GitHub ou envie um novo problema.
5. Posso usar o Deepagents off-line?
   Algumas funções (por exemplo, pesquisa) exigem uma conexão com a Internet, mas as funções de planejamento e do sistema de arquivos são compatíveis com a execução off-line. É necessária a pré-configuração do LLM local.