Deepagents让 AI 代理自己规划、写文件、拆子代理3 步跑通【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents给代理一条调研 X 并写成文档的长指令模型常常跑两步就开始漂移上下文塞满、工具乱调最后交付一堆碎片。Deepagents 是基于 LangGraph 的 AI 代理框架把规划、文件读写、子代理生成打包进默认行为让长任务在多轮循环里保持轨迹可控。第一条命令跑起来CLI 包名deepagents-code命令名是dcode跟 SDK 包deepagents分开发布。clone 仓库后本地起一次就能进 TUIgit clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents/libs/code uv sync uv run dcode跑通后你会注意到dcode打开的是终端界面流式输出、可恢复会话、工具调用前有确认按钮。SDK 那一边更薄create_deep_agent(model..., tools[...])一行拿到代理文件系统、上下文压缩、子代理都默认带上。一次任务的完整流转examples/ralph_mode 给了一个循环骨架while :; do cat PROMPT.md | agent; done。拿给初学者做一门 Python 课程走一遍接任务代理先调用write_todos之类的规划工具把课程拆成章节、每章再拆到具体文件产出一份可回滚的 TODO 清单。执行并写入文件每轮产出的讲义、代码直接写进课程目录git记录 diff。下一轮代理读到的当前进度是文件系统里的真实状态不靠上一轮的记忆。派子代理遇到要大量读资料或跑实验的子任务代理用 subagents 派生一个隔离上下文的子代理只把最终结论回传主线主线窗口不会被撑爆。循环迭代每轮都是新的上下文窗口人判断何时 CtrlC。每次都在最清晰的起点上继续是它能跑几十轮不崩的原因。两个例子看能力边界content-builder-agent 走内容工厂路线输入一句话比如写一篇讲 prompt 工程的博客代理从skills/加载对应写作流程用子代理做调研最后产出 Markdown 正文加一张封面图。适合要出稿的团队你只发指令代理按 SKILL.md 里定义的流程走。text-to-sql-agent 方向相反输入是自然语言问题销量前五的艺术家是谁代理先规划然后让子代理探索 schema、写 SQL、执行 SQL、验证结果产出可执行的查询和一段可追溯的执行日志。适合接业务数据的分析师重点看它如何把问数变成可验证的 SQL。什么时候值得用它判断标准比较直接上它任务能拆成 3 步以上、产出是文件/代码/文档、需要留痕或回滚、或需要拆子任务先调研再写作这类。别上单轮问答、帮我算个函数值这类一问一答、纯 chatbot 场景。这些用 LangChain 的create_agent更省代理本身已经够用。边界Deepagents 是带默认行为的 harness不是通用编排框架。如果连代理循环的形状都要改直接落到 LangGraph 更合适。入口文档与源码位置项目定位与 QuickstartREADME.md仓库结构与贡献约定AGENTS.md可运行的示例目录examples/SDK 核心源码libs/deepagents/【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Deepagents：让 AI 代理自己规划、写文件、拆子代理，3 步跑通
Deepagents让 AI 代理自己规划、写文件、拆子代理3 步跑通【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents给代理一条调研 X 并写成文档的长指令模型常常跑两步就开始漂移上下文塞满、工具乱调最后交付一堆碎片。Deepagents 是基于 LangGraph 的 AI 代理框架把规划、文件读写、子代理生成打包进默认行为让长任务在多轮循环里保持轨迹可控。第一条命令跑起来CLI 包名deepagents-code命令名是dcode跟 SDK 包deepagents分开发布。clone 仓库后本地起一次就能进 TUIgit clone https://gitcode.com/GitHub_Trending/de/deepagents cd deepagents/libs/code uv sync uv run dcode跑通后你会注意到dcode打开的是终端界面流式输出、可恢复会话、工具调用前有确认按钮。SDK 那一边更薄create_deep_agent(model..., tools[...])一行拿到代理文件系统、上下文压缩、子代理都默认带上。一次任务的完整流转examples/ralph_mode 给了一个循环骨架while :; do cat PROMPT.md | agent; done。拿给初学者做一门 Python 课程走一遍接任务代理先调用write_todos之类的规划工具把课程拆成章节、每章再拆到具体文件产出一份可回滚的 TODO 清单。执行并写入文件每轮产出的讲义、代码直接写进课程目录git记录 diff。下一轮代理读到的当前进度是文件系统里的真实状态不靠上一轮的记忆。派子代理遇到要大量读资料或跑实验的子任务代理用 subagents 派生一个隔离上下文的子代理只把最终结论回传主线主线窗口不会被撑爆。循环迭代每轮都是新的上下文窗口人判断何时 CtrlC。每次都在最清晰的起点上继续是它能跑几十轮不崩的原因。两个例子看能力边界content-builder-agent 走内容工厂路线输入一句话比如写一篇讲 prompt 工程的博客代理从skills/加载对应写作流程用子代理做调研最后产出 Markdown 正文加一张封面图。适合要出稿的团队你只发指令代理按 SKILL.md 里定义的流程走。text-to-sql-agent 方向相反输入是自然语言问题销量前五的艺术家是谁代理先规划然后让子代理探索 schema、写 SQL、执行 SQL、验证结果产出可执行的查询和一段可追溯的执行日志。适合接业务数据的分析师重点看它如何把问数变成可验证的 SQL。什么时候值得用它判断标准比较直接上它任务能拆成 3 步以上、产出是文件/代码/文档、需要留痕或回滚、或需要拆子任务先调研再写作这类。别上单轮问答、帮我算个函数值这类一问一答、纯 chatbot 场景。这些用 LangChain 的create_agent更省代理本身已经够用。边界Deepagents 是带默认行为的 harness不是通用编排框架。如果连代理循环的形状都要改直接落到 LangGraph 更合适。入口文档与源码位置项目定位与 QuickstartREADME.md仓库结构与贡献约定AGENTS.md可运行的示例目录examples/SDK 核心源码libs/deepagents/【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
)
