Deep Agents 相关 AI 资讯

6月24日

02:15

官方账号LangChain@LangChainAI

精选

LangChain 发布基于 Deep Agents 的循环工程方法，通过 self-harness 实现智能体自我改进。流程分三步：运行代理并观察失败（弱点挖掘）、提出 harness 改进方案、验证改进有效且无回归。论文见 arxiv.org/pdf/2606.09498，代码开源在 github.com/langchain-ai/d…。该方法可系统性提升 Agent 鲁棒性。

推荐理由：LangChain 公布了一种让智能体自己找弱点并改进的循环方法，每一步都给了具体操作，想调优 Agent 的可以照着试试。

原文

6月23日

05:06

官方账号LangChain@LangChainAI

精选

Deep Agents v0.6 新增代码解释器，代理可在运行时调用工具。中间结果保留在模型上下文之外，仅传回相关输出。这减少了往返次数和 token 浪费。该版本由 LangChain 发布。

AI产品 Deep Agents LangChain 代码解释器

推荐理由：Deep Agents v0.6 出代码解释器了！运行时调工具，中间结果不占上下文，省 token 还少跑几趟。看详情。

原文

6月22日

02:54

Harrison Chase@hwchase17

Deep Agents 被描述为模型无关（model agnostic）且通用（general purpose）的 agent 工具。它被提出作为 Codex 和 Claude Code 的替代品。该工具不绑定特定模型后端，支持灵活切换。根据 x 上的讨论，Deep Agents 可能提供类似代码生成和 agent 执行能力。

AI产品 Deep Agents Codex Claude Code

推荐理由：如果你在用 Codex 或 Claude Code，可以试试 Deep Agents，它是模型无关的，兼容更多模型，更灵活。

原文

6月21日

23:28

Harrison Chase@hwchase17

社区文章演示了如何借助Deep Agents框架构建一个类似Claude Code的编程智能体。文章特别提到GLM-5.2模型表现强劲，可作为该智能体的底层推理引擎。通过3个步骤即可完成部署，无需从头开发复杂Agent系统。

技巧 Deep Agents Claude Code GLM-5.2

推荐理由：教你用Deep Agents自己搭一个Claude Code同款智能体，还顺带体验GLM-5.2的威力，实操性很强。

原文

6月20日

23:06

shao__meng@shao__meng

精选

LangChain官方认证大使@zhanghaili0610（也是「LangChain实战」「LangGraph实战」作者）开源了教程「Deep Agents 实战」。教程围绕Agent开发的“三层架构”：Runtime（LangGraph）、Framework（LangChain）、Harness（Deep Agents）。核心是“上下文工程”，Deep Agents引入虚拟文件系统（read_file/write_file等6大工具），支持任务规划（write_todos）、子Agent委派（异步并行）和Skills复用（兼容30+工具）。教程共8章加2准备篇，涵盖环境搭建、核心机制到进阶记忆。

技巧 Deep Agents LangChain LangGraph

推荐理由：Harry Zhang出了第三本实战教程，手把手教你怎么用LangChain和LangGraph搭Deep Agents，虚拟文件系统和Skills复用这些干货很实用。

原文

6月19日

02:22

官方账号LangChain@LangChainAI

LangChain 推出 Deep Agents 深度解析第四部分，核心主题是 steering 功能。该功能通过第一类 HITL（人在回路）原语，允许用户在 Agent 执行过程中实时介入和调整行为。与传统的自动化流程相比，steering 提供了更细粒度的控制，无需重新启动整个 Agent。此特性使开发者能灵活纠正方向或注入上下文，提升复杂任务的可靠性。

AI产品 LangChain Deep Agents Steering

推荐理由：LangChain 教你用 HITL 原语引导 Deep Agents，比硬编码指令灵活多了，跑偏了也能随时拽回来。

原文

6月18日

03:53

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents 深度解析第三部分，聚焦 Delegation 委派功能。该工具让模型能自动规划复杂任务，并内置子智能体支持。来自 @SydneyRunkle 的 90 秒讲解视频详细演示了如何通过委派分工提升任务执行效率。

技巧 Deep Agents LangChain 智能体

推荐理由：LangChain 出了个 Deep Agents 新视频，讲怎么用委派功能规划复杂任务，还自带子智能体支持，90 秒就讲明白。

原文

6月17日

00:58

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents 深度解析第二部分，讲解上下文管理关键能力。Sydney Runkle 在不到2分钟视频中演示如何控制 Agent 长期记忆与状态。该方法可让 Deep Agents 在连续多轮对话中保持一致性，避免遗忘。

技巧 LangChain Deep Agents 智能体

推荐理由：如果你在用 LangChain 做智能体，这个2分钟视频教你怎么管理上下文，让 Agent 不跑偏。

原文

6月16日

00:14

官方账号LangChain@LangChainAI

LangChain 官方发布了 Deep Agents 系列教程的第一部分，深入讲解执行环境（execution environment）作为 Deep Agent 的骨干。该视频由 Sydney Runkle 主讲，详细介绍了代理的底层运行机制。

技巧 LangChain Deep Agents 智能体

推荐理由：LangChain 官方出品的 Deep Agents 实战教程，从执行环境讲起，适合想深入理解智能体原理的开发者和学习者。

原文

6月15日

22:05

官方一手AWS Machine Learning Blog@Sundar Raghavan

精选

本教程介绍如何使用 Deep Agents 和 Bedrock AgentCore 构建竞争研究智能体。你将在多步AI工作流中创建隔离执行环境。在第二部分，你可以通过 AgentCore CLI 将同一智能体部署到 Bedrock AgentCore Runtime，作为托管、会话隔离的服务运行。

技巧 Deep Agents Bedrock AgentCore AgentCore CLI

推荐理由：AWS 教你用 Deep Agents 和 Bedrock AgentCore 搭研究智能体，还能用 CLI 部署成托管服务，适合搞多步AI流程的开发者。

原文

6月13日

13:19

官方账号LangChain@LangChainAI

Box Agent 基于 Deep Agents 构建，提供跨库搜索、多文档合成和结构化报告功能。该智能体在 Box 现有的安全与权限模型内运行，无需额外配置。目前该推文获得 1006 次浏览和 10 个点赞。

AI产品 Box Agent Deep Agents 智能体

推荐理由：Box 出了个能跨库搜文档的智能体

原文

6月12日

02:03

官方账号LangChain@LangChainAI

精选

Rippling AI 采用多智能体系统架构，每个主管智能体下辖三个专业 Deep Agent：读取智能体负责查询结构化数据，RAG 智能体检索非结构化信息（如 HR 文档、手册），行动智能体执行写入操作。主管智能体分析查询并决定调用哪个子智能体。该架构将复杂企业任务拆解为专业分工，提升自动化效率与准确性。

AI产品多智能体系统 Rippling Deep Agents

推荐理由：做企业级 AI 应用或 HR 系统集成的团队值得关注——Rippling 的 Deep Agents 架构展示了如何用多智能体分工处理结构化与非结构化数据，直接复用思路可加速自家产品智能化。

原文

6月11日

01:29

官方账号LangChain@LangChainAI

LangChain 在 Deep Agents 中新增了 RubricMiddleware 功能，用于定义任务完成的明确标准。该中间件能让智能体持续执行直到达到预设的完成条件，解决了智能体任务执行中缺乏明确终止判断的问题。这对于需要精确控制任务完成状态的自动化场景非常有用。

AI产品智能体 LangChain Deep Agents

推荐理由：做智能体开发的团队终于有了明确的「完成」定义工具——RubricMiddleware 让智能体不再盲目执行，而是按标准持续优化直到达标，建议做自动化流程的开发者试试。

原文

6月10日

00:58

官方账号LangChain@LangChainAI

LangChain 将于 6 月 22 日在芝加哥举办线下活动，邀请 United 分享如何利用 Deep Agents 进行 spec-driven 开发，并由 LangChain 创始人 Harrison Chase 与 Austin 对话探讨 Deep Agents 和 Managed Deep Agents 的未来方向。活动旨在促进 AI 社区交流，适合对智能体开发感兴趣的开发者参与。

行业智能体 Deep Agents spec-driven 开发

推荐理由：想了解 Deep Agents 在企业级 spec-driven 开发中的实际落地？United 的案例和 Harrison 的行业洞察值得一听，做智能体应用的开发者建议报名。

原文

6月9日

05:23

Harrison Chase@hwchase17

LangChain 联合创始人 Harrison Chase 在 X 上发布了一段由 Sydney Runkle 制作的 90 秒视频，快速解释了 Deep Agents 的核心概念。视频以极简方式展示了如何利用 LangChain 构建深度智能体，适合快速入门。该内容引发社区关注，已有 1000+ 次浏览。

AI产品 LangChain Deep Agents 智能体

推荐理由：LangChain 官方用 90 秒讲清 Deep Agents 是什么，想快速理解智能体构建逻辑的开发者可以直接看视频，省去翻文档的时间。

原文

04:16

官方账号LangChain@LangChainAI

LangChain 发布了一段不到90秒的视频，由 @sydneyrunkle 讲解 Deep Agents 的概念。视频快速介绍了 Deep Agents 的核心思想——一种更智能、更自主的 AI 代理架构，能够处理复杂任务并做出决策。该内容适合对 AI 代理技术感兴趣的开发者快速了解前沿趋势。

AI产品智能体 LangChain Deep Agents

推荐理由：LangChain 官方出品的快速科普，90秒就能搞懂 Deep Agents 是什么，做 AI 代理开发的值得一看。

原文

6月4日

00:49

官方账号LangChain@LangChainAI

创业公司发现平台 Harmonic AI 使用 Deep Agents 和 LangSmith 重建了其 AI 平台 Scout。Deep Agents 采用一个前沿模型加两个工具集（全球公司数据和公司特定上下文），并内置长周期执行和上下文窗口管理。LangSmith 负责部署和扩展，提供完整对话追踪用于调试，并自动发现失败模式和建议修复。这一重建提升了平台的智能性和可靠性。

AI产品智能体 AI 平台 LangSmith

推荐理由：做 AI 平台或智能体开发的团队可以看看 Harmonic 如何用 Deep Agents 和 LangSmith 解决长周期执行和调试痛点，值得借鉴。

原文

6月3日

08:28

Harrison Chase@hwchase17

LangChain 创始人 Harrison Chase 发布了一分钟视频，快速解释其托管 Deep Agents 服务。该服务旨在简化复杂 AI 智能体的部署与管理，让开发者无需自建基础设施即可运行深度推理智能体。视频展示了如何通过 LangChain 平台快速创建、配置和监控智能体，强调其可扩展性和易用性。这一服务降低了企业采用 AI 智能体的门槛，尤其适合需要快速迭代和稳定运行的团队。

AI产品 LangChain Deep Agents 托管服务

推荐理由：LangChain 把 Deep Agents 做成了托管服务，做 AI 应用开发的团队可以省去自建运维的麻烦，直接上手试试。

原文

08:03

官方账号LangChain@LangChainAI

精选

LangChain 在 Deep Agents 中推出了 Agent Rubrics 功能，允许用户为智能体调用附加评分标准。系统会自动评估输出并自我修正，直到满足所有要求。该功能特别适用于需要保持智能体始终围绕最终目标的复杂或长任务。由 Sydney Runkle 开发，旨在提升智能体在长流程中的可靠性和目标一致性。

AI产品智能体 LangChain Deep Agents

推荐理由：做复杂自动化任务的开发者终于有了一个让智能体不跑偏的机制——自动评分+自我修正，建议试试这个新功能。

原文

6月2日

10:09

官方账号LangChain@LangChainAI

精选

LangChain 展示了一个由 Deep Agents、LangSmith 和 You.com 金融研究 API 驱动的宏观经济研究智能体。该智能体能够自动分析 GDP 数据、检测异常、在行业层面调查结构性和周期性驱动因素，并生成带有引用的结构化简报。这展示了 AI 智能体在专业金融研究领域的应用潜力，能够大幅提升宏观经济分析的效率和准确性。

AI产品智能体宏观经济金融研究

推荐理由：做宏观经济研究或金融分析的团队，可以直接参考这个智能体架构来搭建自己的自动化分析工具，省去手动收集数据和撰写报告的时间。

原文

5月29日

22:30

Harrison Chase@hwchase17

LangChain 发布 Deep Agents v0.6，将“Harness Profiles”提升为一等抽象，允许为不同模型定制提示和工具。这一更新解决了模型间性能差异问题，使开发者能以低于封闭前沿 API 20 倍以上的成本，从 Kimi、Qwen 和 DeepSeek 等模型获得生产级性能。LangChain 还提供了调优指南，帮助用户优化模型配置。

AI产品 LangChain Deep Agents Harness Profiles

推荐理由：做多模型 Agent 的团队终于不用为每个模型手写适配代码了——Harness Profiles 让不同模型自动获得最优提示和工具配置，成本直降 20 倍，建议直接看调优指南。

原文

22:06

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents v0.6，将 Harness Profiles 提升为一等抽象，使得开发者可以轻松配置和优化模型推理。新版本支持 Kimi、Qwen、DeepSeek 等开源模型，在保持生产级性能的同时，成本仅为闭源前沿 API 的 1/20 以下。这为需要高性价比 AI 代理的团队提供了更灵活的选择。

AI产品 LangChain Deep Agents Harness Profiles

推荐理由：做 AI 代理的团队终于可以低成本使用开源模型达到生产级性能，建议做推理优化的开发者直接试试 Harness Profiles 的调优功能。

原文

5月28日

03:02

Harrison Chase@hwchase17

LangChain 发布 Deep Agents v0.6，核心新特性是 Delta Channels，大幅优化了智能体检查点的存储方式。对于长时间运行的智能体，Delta Channels 可将检查点存储量降低最多 100 倍，同时不牺牲可观测性和弹性。例如，一个 200 轮的编码智能体会话，使用前需要 5.3GB 存储，使用后仅需 129MB。这一改进解决了长任务智能体存储成本高、恢复慢的痛点，让开发者可以更高效地运行和调试复杂智能体。

AI产品智能体 LangChain Deep Agents

推荐理由：做长时间运行智能体的开发者终于不用为检查点存储发愁了——100 倍压缩意味着更低的成本和更快的恢复，建议直接升级试试。

原文

5月27日

22:59

官方账号LangChain@LangChainAI

LangChain 发布了 Deep Agents v0.6 版本，核心更新是引入了 Delta channels 功能。该功能通过只存储状态变化而非完整快照，将长运行智能体的检查点存储量从 5.3GB 降至 129MB，降幅高达 100 倍。这一改进并未牺牲可观测性或恢复能力，对于需要长时间运行的复杂智能体任务（如多轮编程会话）尤其有价值。开发者现在可以更高效地管理智能体状态，减少存储成本。

AI产品 LangChain Deep Agents 检查点存储

推荐理由：做长运行智能体开发的团队终于不用为检查点存储发愁了——存储量从 GB 级降到 MB 级，还保持可观测性，建议直接升级试试。

原文

5月19日

12:16

官方账号LangChain@LangChainAI

LangChain 在 Interrupt 大会上宣布了 Deep Agents 的重大更新。该更新旨在提升智能体的深度推理和复杂任务处理能力。具体改进包括更高效的规划、执行和反思循环，使智能体能够处理更复杂的多步骤任务。这一更新对于构建高级 AI 应用的开发者来说是一个重要进展，有望提升智能体的自主性和可靠性。

AI产品智能体 LangChain Deep Agents

推荐理由：LangChain 的 Deep Agents 更新解决了智能体在复杂任务中深度推理不足的问题，做 AI 智能体开发的团队可以直接关注，看看新特性如何提升你的应用。

原文