datawhalechina/deepagents-in-action

▲ 11 stars today★ 2,558⑂ 259

📚 《Deep Agents 实战》—— LangChain 官方大使出品,基于 LangChain / LangGraph 生态,从零构建生产级 AI Agent 的完整指南

About datawhalechina/deepagents-in-action

datawhalechina/deepagents-in-action is an open-source project on GitHub, mainly written in Jupyter Notebook. 📚 《Deep Agents 实战》—— LangChain 官方大使出品,基于 LangChain / LangGraph 生态,从零构建生产级 AI Agent 的完整指南 It currently holds 2,558 stars and 259 forks with 0 open issues, and was last pushed on an unknown date (repository created unknown).

Project Overview

AI Homed tracks it on the Today's Trending board, currently at rank #66 with 11 new stars today.

GitHub Repository Details

Repository datawhalechina/deepagents-in-action · default branch - · size 0 KB · watchers 0 · source: GitHub REST API and repository README

README

Deep Agents 实战

https://github.com/datawhalechina/deepagents-in-action/blob/HEAD/Deep Agents 实战 — 基于 LangChain / LangGraph 的中文开源课程,感谢 2,000+ GitHub Stars

在线阅读 B 站视频 小红书图文

Deep Agents License: CC BY-NC-SA 4.0 PRs Welcome

作者:沧海九粟 · LangChain 官方认证大使 · LCAE 认证

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

[!NOTE]
课程从 0.5 起步,当前推荐使用最新的 Deep Agents 0.7.x。从 0.5 / 0.6 升级的读者,请先阅读 v0.7 版本更新与迁移指南。
版本要求与模型配置

旧章节和图片保留了当时的默认行为,紧邻它们的“v0.7 提醒”代表当前用法。进阶与 Beta 功能的依赖要求以各章说明为准。

| 功能 | 版本要求 | | --- | --- | | FilesystemPermission 基础权限 / interrupt 模式 | 分别需要 deepagents>=0.5.2 / deepagents>=0.6.8 | | 第 13 章:RubricMiddleware(Beta) | 章节以 deepagents==0.7.1 验证 | | 第 14 章:Event Streaming v3 | deepagents>=0.6 | | 第 15 章:Interpreters(Beta) | Python 3.11+、langchain-quickjs>=0.2.0 |

示例默认通过 硅基流动 接入支持工具调用的模型,使用 MODEL_NAME 环境变量配置模型名。小模型可用于简单试跑;任务规划、上下文总结和多 Agent 编排需要更强的模型能力。

模型可用性、价格与免费额度会调整,使用前请查阅 模型广场、价格页和更新公告。框架说明见 Deep Agents 官方文档。

---

课程大纲

推荐技能

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

准备篇 — 动手实操前的环境搭建与工具安装

基于 AgentSeek 工程化套件,帮助学员快速搭建开发环境:

版本更新 — 理解变化,再决定如何升级

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:

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%。

按章节开始实验

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。

创建与启动模板(所有章节通用)

安装 AgentSeek,将下面的 deepagents/default 替换为对应章节的模板名:

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

进入生成目录,查看可用任务,按项目 README 安装依赖并配置 .env,然后检查环境、启动应用:

agentseek task --list

完成依赖安装与 .env 配置后

agentseek doctor agentseek dev

用 agentseek create --list-templates --checkout main 查看全部模板。需要固定实验环境时,将 main 换为完整提交 SHA。

认知篇

第 1 章:从 Agent Framework 到 Agent Harness — Deep Agents 的诞生逻辑

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

第 2 章:快速上手 — 5 分钟构建你的第一个 Deep Agent

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

核心篇

第 3 章:虚拟文件系统 — Deep Agents 的 Context Engineering 核心

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

第 4 章:任务规划与分解 — 让 Agent 学会拆解复杂任务

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

第 5 章:子 Agent 与上下文隔离 — 让 Agent 学会委派

观察子任务委派与上下文隔离。模板:deepagents/research

第 6 章:异步子 Agent — 让主 Agent 同时驱动多个子任务

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

进阶篇

第 7 章:Skills — 可复用的 Agent 能力包

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

第 8 章:长期记忆 — 让 Agent 拥有跨对话的记忆

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

第 9 章:Human-in-the-Loop — 构建安全的人机协作流程

按正文为 MCP 工具配置人工审批。模板:deepagents/mcp

第 10 章:沙箱执行 — 让 Agent 安全地运行代码

在沙箱中验证隔离执行与文件读写。模板:deepagents/sandbox

第 11 章:文件系统权限 — 用声明式规则控制 Agent 的读写边界

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

第 12 章:MCP — 用标准协议扩展 Deep Agents 工具生态

验证 MCP 工具发现与名称冲突处理。模板:deepagents/mcp

前沿预览

第 13 章:Grading Rubrics(评分量规)— 让 Agent 按验收标准自我迭代

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

第 14 章:Streaming — 实时观察主 Agent、子 Agent 与工具调用

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

第 15 章:Interpreters — 让 Agent 用代码编排工具与数据

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

第 16 章:Dynamic Subagents — 用代码编排多个 Agent

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。

---

关于作者

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)

https://github.com/datawhalechina/deepagents-in-action/blob/HEAD/webup | Trendshift

---

友情链接

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。

---

模型算力支持

https://github.com/datawhalechina/deepagents-in-action/blob/HEAD/SiliconFlow 硅基流动 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。
---

❤️ 特别感谢

https://github.com/datawhalechina/deepagents-in-action/blob/HEAD/Deep Agents 实战贡献者

---

Star History

https://github.com/datawhalechina/deepagents-in-action/blob/HEAD/Star History Chart

---

本地开发

环境要求

安装与启动

# 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

项目结构

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

内容流水线

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。

---

技术栈

---

开源协议

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。

GitHub Stars & Activity

2,558Stars
259Forks
0Open issues
Jupyter NotebookLanguage

GitHub Popularity

GitHub stars2,558
Forks259
Open issues0
Primary languageJupyter Notebook
License-
Stars gained today11
Created-
Last pushed-

Trending History

Daily boardrank #66 · ▲ 11 stars
Monthly boardrank #67 · ▲ 743 stars

Related AI Projects

1

patchy631 / ai-engineering-hub

Jupyter Notebook★ 38,158⑂ 6,272▲ 63 stars
→
2

datawhalechina / happy-llm

Jupyter Notebook★ 34,136⑂ 3,221▲ 20 stars
→
3

QwenLM / Qwen3-VL

Jupyter Notebook★ 20,026⑂ 1,857▲ 9 stars
→
4

chiphuyen / aie-book

Jupyter Notebook★ 17,675⑂ 2,577▲ 51 stars
→
5

NVIDIA / cosmos

Jupyter Notebook★ 11,954⑂ 896▲ 11 stars
→
6

MITDeepLearning / introtodeeplearning

Jupyter Notebook★ 8,828⑂ 4,589▲ 16 stars
→
7

evidentlyai / evidently

Jupyter Notebook★ 7,949⑂ 939▲ 2 stars
→
8

ed-donner / llm_engineering

Jupyter Notebook★ 7,541⑂ 7,358▲ 13 stars
→

More AI Rankings