企业官网建设流程全解析

做自己的网站如何赚钱的,怎么做可以直播的网站,网站设计实训心得体会,凡氪官网引言 随着AI Agent任务复杂度每7个月翻倍#xff0c;传统的LLM循环调用工具模式开始显露出成本高、可靠性差的问题。LangChain DeepAgents应运而生——一个开源的Agent框架#xff0c;让开发者能够构建类似Claude Code的强大Agent。 什么是DeepAgents#xff…引言随着AI Agent任务复杂度每7个月翻倍传统的LLM循环调用工具模式开始显露出成本高、可靠性差的问题。LangChain DeepAgents应运而生——一个开源的Agent框架让开发者能够构建类似Claude Code的强大Agent。什么是DeepAgentsDeepAgents是LangChain推出的一个Agent框架agent harness它基于LangGraph构建专为处理复杂、多步骤、长时程任务而设计。它的核心理念源自行业领先的Agent应用但完全开源且高度可定制。核心特点一览特性说明任务规划内置TODO工具能自动分解复杂任务文件系统虚拟或真实的文件系统后端管理大量上下文子Agent委托可生成专门的子Agent处理特定子任务长期记忆支持跨会话的持久化存储人机协同敏感操作可暂停等待人工批准高度可扩展通过中间件机制轻松添加自定义功能架构设计三层构建哲学DeepAgents采用了清晰的分层架构让开发者可以在不同抽象层次上进行定制┌─────────────────────────────────┐│ DeepAgents (Agent Harness) │ ← 内置规划、文件系统、子Agent│ │├─────────────────────────────────┤│ LangChain (Agent Framework)│ ← Agent核心循环、工具抽象│ │├─────────────────────────────────┤│ LangGraph (Agent Runtime) │ ← 图执行引擎、状态管理└─────────────────────────────────┘三者的关系LangGraph: 提供底层的图执行和状态管理能力LangChain: 提供Agent的基础循环逻辑和工具集成DeepAgents: 在前两者基础上提供开箱即用的高级能力规划、文件系统、子Agent等何时选择DeepAgents场景推荐框架需要工作流与Agent混合LangGraph从零构建所有prompt和工具LangChain需要自主、长期运行的复杂AgentDeepAgents核心能力深度剖析1. 智能任务规划DeepAgents内置了write_todos和read_todos工具。有趣的是这个工具本质上是个no-op不执行实际操作但它却能显著提升Agent的任务分解能力。工作原理Agent在执行前先创建TODO列表将复杂任务分解为离散步骤跟踪进度并动态调整计划在完成后标记任务这种自我规划机制让Agent能够处理跨越数十次工具调用的长期任务。2. 灵活的文件系统后端DeepAgents支持多种文件系统后端解决了上下文窗口溢出的难题后端类型特点适用场景StateBackend临时存储在Agent状态中默认适合短期任务FilesystemBackend真实的磁盘操作需要持久化或访问本地文件StoreBackend基于LangGraph Store持久化跨会话的长期记忆CompositeBackend混合路由不同后端同时需要临时和持久存储实战案例from deepagents import create_deep_agentfrom deepagents.backends import CompositeBackend, StateBackend, StoreBackend# 混合后端工作文件临时记忆持久化agent create_deep_agent( backendCompositeBackend( defaultStateBackend(), # 默认临时存储 routes{/memories/: StoreBackend()} # /memories/下持久化 ))3. 子Agent委托机制通过内置的task工具主Agent可以生成专门的子Agent来处理特定子任务实现上下文隔离和并行执行。生命周期主Agent → 生成子Agent → 子Agent独立执行 → 返回结果 → 主Agent整合自定义子Agent示例research_subagent { name: research-agent, description: 用于深度研究问题, system_prompt: 你是一个专业研究员..., tools: [internet_search], model: openai:gpt-4o # 可选默认使用主Agent模型}agent create_deep_agent(subagents[research_subagent])4. 长期记忆能力通过CompositeBackend和StoreBackend的组合Agent可以跨会话保持记忆# 用户偏好持久化示例agent create_deep_agent( backendCompositeBackend( defaultStateBackend(), routes{ /memories/: StoreBackend(storeInMemoryStore()), /preferences/: StoreBackend(), /knowledge/: StoreBackend() } ))应用场景跨会话保存用户偏好构建知识库基于反馈自我改进保持研究进展内置工具矩阵DeepAgents开箱即带12个专业工具全部由中间件自动注入工具名称功能提供者write_todos/read_todos任务规划与跟踪TodoListMiddlewarels/read_file/write_file文件操作FilesystemMiddlewareedit_file精确字符串替换编辑FilesystemMiddlewareglob/grep文件搜索与内容查找FilesystemMiddlewareexecute*执行Shell命令需沙箱支持FilesystemMiddlewaretask委托给子AgentSubAgentMiddleware自动功能大结果20K tokens自动保存到文件上下文超170K自动摘要保留最后6条消息Anthropic模型自动启用Prompt缓存快速上手5分钟构建研究Agent# 1. 安装pip install deepagents tavily-python# 2. 定义工具import osfrom deepagents import create_deep_agentfrom tavily import TavilyClienttavily_client TavilyClient(api_keyos.environ[TAVILY_API_KEY])def internet_search(query: str, max_results: int 5): 运行网络搜索 return tavily_client.search(query, max_resultsmax_results)# 3. 创建Agentagent create_deep_agent( tools[internet_search], system_prompt进行深度研究并撰写专业报告。,)# 4. 执行任务result agent.invoke({ messages: [{role: user, content: LangGraph是什么}]})就这么简单Agent会自动规划研究步骤使用TODO工具搜索多个来源将大量结果保存到文件必要时生成子Agent进行深度分析最终整合成报告高级定制技巧自定义系统PromptDeepAgents的系统Prompt采用分层设计┌──────────────────────────────────┐│ 中间件自动注入的默认指令 │ ← 工具使用说明、最佳实践├──────────────────────────────────┤│ 你的自定义system_prompt │ ← 领域特定工作流、示例└──────────────────────────────────┘编写自定义Prompt的原则应该做定义特定领域的工作流如研究方法论提供具体用例的示例添加专业指导如将相似研究任务批处理到单个TODO定义停止标准和资源限制解释工具如何在你的工作流中协同不应该做重复解释标准工具功能已由中间件覆盖复制中间件已有的工具使用指令与默认指令相矛盾人机协同工作流对于敏感操作如文件删除、API调用可配置人工审批tooldef delete_file(path: str) - str: 删除文件 os.remove(path) return f已删除 {path}agent create_deep_agent( tools[delete_file], interrupt_on{ delete_file: { allowed_decisions: [approve, edit, reject] } })Agent会在执行敏感工具前暂停等待用户的approve/edit/reject决策。自定义中间件通过中间件扩展Agent能力from langchain_core.tools import toolfrom deepagents import create_deep_agentfrom langchain.agents.middleware import AgentMiddlewaretooldef get_weather(city: str) - str: 获取城市天气 returnf{city}的天气晴朗。class WeatherMiddleware(AgentMiddleware): tools [get_weather] def before_call(self, state): # 在每次LLM调用前执行 print(准备查询天气...) return stateagent create_deep_agent(middleware[WeatherMiddleware()])实战应用场景1. 深度研究Agentresearch_agent create_deep_agent( tools[internet_search, web_fetch], system_prompt 你是专业研究员。 1. 使用write_todos规划多步研究 2. 并行搜索多个来源 3. 将原始数据保存到/research/目录 4. 生成research-agent子Agent进行深度分析 5. 整合成结构化报告 , subagents[deep_research_subagent])2. 代码助手Agentcoding_agent create_deep_agent( backendFilesystemBackend(root_dir/workspace), tools[run_tests, format_code], system_prompt 你是高级编程助手。 - 使用ls和read_file理解项目结构 - 用edit_file进行精确代码修改 - 执行测试验证更改 - 在/workspace操作真实文件 )3. 数据分析Agentanalysis_agent create_deep_agent( tools[query_database, plot_chart], system_prompt 你是数据科学家。 1. 规划分析步骤EDA → 建模 → 可视化 2. 将中间结果保存到/data/目录 3. 生成可复现的分析报告 )与其他框架的对比特性DeepAgentsLangChain AgentAutoGPTCrewAI任务规划内置TODO需自建自动内置文件系统多后端无真实文件无子Agent灵活委托无无角色协作长期记忆可配置需自建向量存储有限人机协同内置需自建无无可扩展性中间件工具有限中等学习曲线中等低高中等技术亮点与设计哲学1. 中间件驱动架构DeepAgents的所有核心功能都通过中间件实现这种设计带来了模块化: 每个功能独立易于理解和维护可组合性: 自由组合不同中间件可扩展性: 第三方可轻松开发新中间件2. 信任LLM安全模型与传统的不信任LLM方法不同DeepAgents采用边界在工具层安全检查在工具和沙箱层面实施不期望LLM自我审查LLM可执行任何工具允许的操作适合受控环境适用于企业内部、个人项目等可信场景3. 上下文管理策略通过三层机制解决上下文窗口限制文件系统卸载: 大结果自动保存到文件20K tokens自动摘要: 上下文超170K时压缩历史保留最近6条子Agent隔离: 通过子Agent实现上下文分片性能与成本优化DeepAgents内置多项优化措施优化项机制效果Prompt缓存AnthropicPromptCachingMiddlewareClaude模型成本降低90%自动摘要SummarizationMiddleware防止上下文溢出并行执行子Agent并发研究类任务提速3-5倍上下文卸载自动保存大结果到文件节省token消耗最佳实践DO推荐做法批量实现变更: 将相关修改组织成3-10个一批方便调试使用子Agent隔离: 复杂子任务委托给专门子Agent定义清晰停止标准: 在system_prompt中明确任务完成条件利用文件系统: 将中间结果持久化避免重复计算配置人工审批: 敏感操作使用interrupt_onDON’T避免做法不要重复中间件指令: 默认指令已覆盖工具使用不要过度依赖LLM自我限制: 安全边界应在工具层不要在系统Prompt中硬编码示例: 使用few-shot示例功能不要忽略批处理: 大量修改应分批执行不要混淆LangGraph与DeepAgents: 前者是底层后者是高层抽象社区资源GitHub仓库: langchain-ai/deepagents官方文档: docs.langchain.com/deepagents快速示例: deepagents-quickstartsCLI工具: 提供交互式命令行界面LangSmith集成: 支持可观测性与部署结语DeepAgents的出现标志着AI Agent从工具执行者向自主规划者的进化。它不仅是一个框架更是一种构建复杂Agent的方法论如果你正在构建需要深度思考、多步骤推理的AI应用DeepAgents绝对值得一试。它开源、灵活、强大让每个开发者都能打造属于自己的Claude Code。如何学习AI大模型大模型时代火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业”“谁的饭碗又将不保了”等问题热议不断。不如成为「掌握AI工具的技术人」毕竟AI时代谁先尝试谁就能占得先机想正式转到一些新兴的 AI 行业不仅需要系统的学习AI大模型。同时也要跟已有的技能结合辅助编程提效或上手实操应用增加自己的职场竞争力。但是LLM相关的内容很多现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学学习成本和门槛很高那么针对所有自学遇到困难的同学们我帮大家系统梳理大模型学习脉络将这份LLM大模型资料分享出来包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴可以扫描下方二维码领取↓↓↓学习路线第一阶段 从大模型系统设计入手讲解大模型的主要方法第二阶段 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段 大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段 以SD多模态大模型为主搭建了文生图小程序案例第七阶段 以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】