datawhalechina/deepagents-in-action

基于 LangChain / LangGraph 的中文开源课程，配套 16 章图文、视频与实验模板。从第一个 Agent 开始，逐步掌握任务规划、文件系统、子 Agent 协作与上下文管理。

从这里开始： 环境准备 → 5 分钟上手 → 课程大纲

想先看 Deep Agents 的整体架构？ 第 1 章的三层选择与组合解释 Deep Agents、LangChain 与 LangGraph 的分工；整体架构图展示 Middleware、工具、Backend 和运行时的连接；第 2 章的核心执行循环说明一次 invoke() 背后如何反复调用模型与工具。配合阅读官方博客 Deep Agents vs LangChain vs LangGraph。

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

技能源码：langchain-dev-guide · 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

版本更新不按功能逐条抄录，而是解释默认行为为什么改变、哪些应用会受影响，以及如何用评测和 Trace 验证迁移结果：

• Deep Agents v0.7：更轻、更透明、更可配置的 Harness：正确理解 65% 基础输入 Token 降幅，判断是否恢复 Todo，掌握 Middleware 原位覆盖、文件工具语义变化与 v0.6→v0.7 迁移路径。

如果你从 0.5 或 0.6 一路学到这里，建议先读更新章，再升级依赖和重跑原有实验。v0.7 的默认 Harness 更轻，通用提示词不再重复占用每轮输入；Todo 从固定成本变成按任务选择；Middleware 可以在原位置换；文件工具新增删除能力，并明确覆盖、分页和截断语义。官方给出的 65% 是简单回合的基础输入降幅，不代表每个应用的总成本都会下降 65%。

每章下方列出实验目标和模板。第 6、8、9、11 章需按正文补充能力；第 15、16 章共用的 deepagents/subagents-dynamic 已合并至 main，可直接创建。

uv tool install --upgrade agentseek
agentseek create deepagents/default --checkout main --no-input

agentseek task --list
# 完成依赖安装与 .env 配置后
agentseek doctor
agentseek dev

辨清 Runtime、Framework 与 Harness。模板：deepagents/default

修改提示词和工具，跑通第一个 Agent。模板：deepagents/default

观察文件系统如何保存内容与中间结果。模板：deepagents/content-builder

显式启用 Todo，观察任务计划与状态变化。模板：deepagents/research

观察子任务委派与上下文隔离。模板：deepagents/research

按正文接入 AsyncSubAgent，运行异步子任务。模板：deepagents/research

运行内置 Skills，观察匹配与渐进式加载。模板：deepagents/content-builder

按正文接入 StoreBackend，验证跨会话记忆。模板：deepagents/content-builder

按正文为 MCP 工具配置人工审批。模板：deepagents/mcp

在沙箱中验证隔离执行与文件读写。模板：deepagents/sandbox

按正文配置 FilesystemPermission，划分访问边界。模板：deepagents/content-builder

验证 MCP 工具发现与名称冲突处理。模板：deepagents/mcp

运行 Guided Demo，观察证据与验收闭环。模板：langchain/rubric

观察 Event Streaming v3 的 Agent 与工具事件流。模板：deepagents/streaming

观察 QuickJS eval 与 task() 动态调度。模板：deepagents/subagents-dynamic

运行六种编排模式，观察真实调用事件。模板：deepagents/subagents-dynamic

后续课程内容将根据 Deep Agents 的官方能力演进持续更新。

沧海九粟 · LangChain 官方认证大使 · 《LangChain 实战》《LangGraph 实战》作者 · B 站万粉 UP 主。

专业认证： LangChain Certified Agent Engineer（LCAE）

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 preview

deepagents-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。