Deep Agents 是构建复杂 AI Agent 的多智能体框架,适合处理长期运行、多步骤规划、文件系统上下文、子代理协作和持久记忆等任务。内容围绕它解决的问题、核心机制、适用场景和上手方式展开。
Agent 系统的稳定性不只取决于提示词,更取决于上下文如何组织。围绕状态表达、工具调用、记忆管理、MCP 结构化协议和可靠性工程,系统讲清上下文工程在 Agent 架构中的设计方法。
从 LLM、规划、记忆、工具四个组件讲清 Agent 的基本架构,并展开 ReAct 执行循环、生产环境稳定性问题、框架选型和企业级智能助手的分层设计。
多 Agent 系统不是简单地把任务拆成多个步骤,而是用不同角色、工具、模型和上下文处理异构任务。内容覆盖 Supervisor、Swarm、Handoff、上下文迁移、状态同步、框架选型和稳定性设计。
LangGraph 用有向图组织大语言模型应用的执行流程,适合构建有状态、可分支、可循环、可人工干预的多智能体系统。内容覆盖 State、Node、Edge、Reducer、条件边、检查点、时间旅行、人机协作、MCP 集成,以及 Supervisor、Swarm 和 Java 版本 LangGraph4J 的使用方式。
AI Agent 学习容易卡在框架太多、概念太散、案例太杂。这里按底层原理、实战案例、课程体系、企业级开发和多框架对比六个方向,梳理 6 个适合系统学习智能体开发的 GitHub 开源项目。
deepagents 是 LangChain 面向长周期任务推出的 Agent 框架,核心能力包括任务规划、文件系统访问和子 Agent 委托。通过 CompositeBackend 与 Milvus 结合,可以把临时工作区和跨会话长期记忆分开管理,减少上下文膨胀带来的成本和失控问题。
围绕 Claude Code 风格的代码智能体,讲清如何用 LangGraph 从基础 ReAct Agent 扩展出人工确认、检查点恢复、SubAgent、Todo 任务跟踪、上下文压缩和实时中断恢复能力。
Mem0 可以为 AI Agent 提供跨会话的长期记忆能力,Milvus 负责持久化存储和检索语义向量。这里会讲清 Mem0 的记忆机制、它和 RAG 的区别,以及如何结合 DashScope、LangGraph、Milvus 和 Kuzu 构建带长期记忆与图谱记忆的 AI 应用。