我用 LangGraph 写过 6 次 ReAct 样板代码，DeepAgents 一行就把它装好了
用 LangGraph 写 ReAct Agent，套路是固定的：
定义MessagesState→ 写call_model节点 → 写call_tool节点 → 写should_continue条件边 →add_node/add_edge串图 → 最后compile。
每次写都一样，每次写都要测，每次写都担心条件边返回END漏掉。我自己工程上至少写过 6 次这套样板，写到第三次就觉得不对——这玩意儿应该是默认的，不该让我每次都重写。
直到我去看create_deep_agent的源签名：
create_deep_agent(...) -> CompiledStateGraph[AgentState[ResponseT], ContextT, ...]返回的就是CompiledStateGraph——也就是说，它没造新东西，它就是把上面那六步替你写好了。
这篇是 Day 4，把这件事说清楚。
阅读提示读完你能拿到三个东西：
- DeepAgents 和 LangGraph
StateGraph在"定义 Agent"这件事上的精确差异- 一张能贴在屏幕边的 Agent 生命周期状态机图，知道每个状态对应什么时机
- 一段从 LangGraph ReAct 迁移到
create_deep_agent的对照代码 全文约 10 分钟。
一、全局地图：Day 4 在哪一层
12 天计划进入第二阶段——核心模块。前三天我们看了"是什么 / 怎么装 / 源码长什么样"，从 Day 4 开始进入"每个核心能力到底怎么用"。
Day 4 这一篇专注一件事：Agent 本身是怎么被定义和管理的。这是后面所有内容的基础——Tool（Day 5）、Memory（Day 6）、Workflow（Day 7）、Multi-Agent（Day 8）都是在这个基础上叠的。
二、对比一下：同样一个 ReAct Agent，两种写法
先把"差异"具象化。
2.1 LangGraph 版（我以前写过 N 遍的样板）
from typing import Annotated, TypedDict, Literalfrom langgraph.graph import StateGraph, END, STARTfrom langgraph.graph.message import add_messagesfrom langchain_openai import ChatOpenAIfrom langchain_core.messages import ToolMessage# 1. 定义 Stateclass State(TypedDict): messages: Annotated[list, add_messages]# 2. 准备模型 + 工具def get_weather(city: str) -> str: returnf"It's always sunny in {city}!"model = ChatOpenAI(model="gpt-4o").bind_tools([get_weather])# 3. call_model 节点def call_model(state: State): return {"messages": [model.invoke(state["messages"])]}# 4. call_tool 节点def call_tool(state: State): last = state["messages"][-1] results = [] for tc in last.tool_calls: if tc["name"] == "get_weather": out = get_weather(**tc["args"]) results.append(ToolMessage(content=out, tool_call_id=tc["id"])) return {"messages": results}# 5. 条件边def should_continue(state: State) -> Literal["tools", "__end__"]: return"tools"if state["messages"][-1].tool_calls else END# 6. 串图 + 编译graph = StateGraph(State)graph.add_node("model", call_model)graph.add_node("tools", call_tool)graph.add_edge(START, "model")graph.add_conditional_edges("model", should_continue)graph.add_edge("tools", "model")agent = graph.compile()40 来行。能跑，但每个项目你都得抄一遍。
2.2 DeepAgents 版（同一个能力）
from deepagents import create_deep_agentdef get_weather(city: str) -> str: """Get weather for a given city.""" return f"It's always sunny in {city}!"agent = create_deep_agent( model="openai:gpt-4o", tools=[get_weather], system_prompt="You are a helpful assistant.",)8 行。**返回的依然是CompiledStateGraph**（这是事实，看create_deep_agent的类型签名）。
也就是说：
你用
create_deep_agent定义出来的对象，和你用StateGraph().compile()编译出来的对象，是同一个类型。 DeepAgents 不是新东西，它是把那一套样板做成了"内置中间件 + 默认配置"。
三、那 DeepAgents 内部到底装了什么
看官方文档（docs.langchain.com/oss/python/deepagents/customization）能直接列出来——create_deep_agent默认会在中间件栈里塞6 个：
| 默认 Middleware | 干什么的 |
|---|---|
TodoListMiddleware | 提供write_todos工具，让 Agent 能写计划 |
FilesystemMiddleware | 提供ls/read_file/write_file/edit_file |
SubAgentMiddleware | 提供task工具，能 spawn 子 Agent |
SummarizationMiddleware | 长对话自动压缩 |
AnthropicPromptCachingMiddleware | 用 Anthropic 时自动开 prompt cache |
PatchToolCallsMiddleware | 工具调用被中断时自动修复消息历史 |
只有当你用了memory=/skills=/interrupt_on=这三个参数时，才会按需挂上MemoryMiddleware/SkillsMiddleware/HumanInTheLoopMiddleware。
这件事的工程含义是：你用 LangGraph 自己写的话，“长对话压缩、文件读写、子 Agent 调度、HITL”——这四个一个都没有；DeepAgents 把它们做成了默认行为，不传参数就有，传参数才升级。
四、一次 invoke 里 Agent 经过了哪些状态
光看类型签名不够，要理解一个 Agent 实例在invoke期间是怎么流转的。
我画了一张状态机图，是 Day 4 这一篇最值得贴在屏幕边的图：
4.1 状态逐个解读
Compiled / Ready
- 入口：
create_deep_agent(...)返回时进入这个状态 - 含义：图已经被编译，中间件栈已经装配好，等待
invoke()触发 - 这一步只发生一次，之后所有
invoke都从这里出发
Reasoning
- 入口：每次
invoke进来，或工具执行完回灌 - 含义：跑 LLM 推理，决定输出哪些
tool_calls - 重要：每个中间件的
before_model/after_model钩子都在这一步触发
ToolExecuting
- 入口：模型输出非空
tool_calls - 含义：并行执行所有被调用的工具
- 出口：把结果以
ToolMessage形式追加回 state，回到 Reasoning
WaitingForHuman（虚线，可选）
- 入口：当且仅当配置了
interrupt_on={"tool_name": True} - 含义：在工具真正执行之前暂停，等待人 approve / edit / reject
- 出口：人工动作后回到 ToolExecuting 或终止
Done
- 入口：模型返回空 tool_calls
- 含义：循环结束，把
messages写入 checkpointer，返回结果
Failed
- 入口：异常 / 超时 / 拒绝
- 含义：异常落到 state，但因为底层是 LangGraph，可以从 checkpoint 恢复
4.2 这张图的关键判断
如果你已经画熟了 LangGraph 的图：这张状态机的形状你应该会觉得很熟——它本质上就是 LangGraph 那张 ReAct 图的状态视角。
核心循环就是那条紫色虚线：ToolExecuting → Reasoning，每次工具执行完把结果回灌给模型，模型再决定要不要继续。
这正是 Day 2 里讲的 tool calling loop，DeepAgents 没有发明新机制，它只是把这套循环和中间件栈打包好了。
五、最小实验：把 LangGraph 的 ReAct 迁过来
如果你已经有一段 LangGraph 的 ReAct 代码，迁移其实很机械，三步：
Step 1：把StateGraph(State)那一坨删掉，全删。
Step 2：把模型和工具列表整理出来，传给create_deep_agent。
Step 3：调用方式不变——agent.invoke({"messages": [...]})。
完整代码就 8 行，2.2 节已经贴过了。
5.1 看清"框架替你做了什么"的笨办法
最直观的验证：让 Agent 干一件需要文件系统的活，看它有没有自己用上write_file。
from deepagents import create_deep_agentagent = create_deep_agent( model="openai:gpt-4o", tools=[], # 故意不给任何自定义工具 system_prompt="You are a research assistant.",)result = agent.invoke({"messages": [{ "role": "user", "content": "帮我把 LangChain、LangGraph、DeepAgents 三者的关系写成一份大纲，存到 outline.md"}]})for m in result["messages"]: tcs = getattr(m, "tool_calls", []) or [] for tc in tcs: print(f"调用工具: {tc['name']} args={tc['args']}")你会在输出里看到write_file这种工具被调用——但你没传任何工具，那就是FilesystemMiddleware自带的（事实，参考官方默认中间件清单）。
这就是 DeepAgents 和 LangGraph 在"定义 Agent"上最直观的差异：你声明意图，框架替你装齐能力。
六、踩坑记录
| 现象 | 原因 | 解决 |
|---|---|---|
system_prompt写得很短，但 Agent 行为完全不像我说的 | DeepAgents 会把你的 prompt 和内置BASE_AGENT_PROMPT拼接，你的指令在最前 | 知道这个机制，明确写"覆盖 / 优先于" |
| 用 Anthropic 模型时输出多了一段不像我写的话 | Anthropic profile 自带system_prompt_suffix | 看 customization 文档"Prompt assembly"小节，必要时用 profile 覆盖 |
配置了interrupt_on=但程序就卡死了 | HITL 状态需要外部输入才能继续 | 用 LangGraph 的Command(resume=...)或在 LangGraph Studio 里手动 approve |
自定义中间件里用self.x = ...累计计数，并发下数据错乱 | 文档明确警告：不要 mutate middleware 实例属性 | 改用 graph state（return {"x": ...}） |
| 想从某个失败点重跑 | 没传checkpointer= | 创建时传一个MemorySaver()/SqliteSaver()，然后用thread_id恢复 |
| 想要结构化输出 | 用response_format=参数 | 传 Pydantic model 或 dict schema |
一个我自己撞到的细节
第一次跑带subagents=的版本时，我以为子 Agent 会继承主 Agent 的 system prompt——不会。子 Agent 的 prompt 是独立组装的（spec["system_prompt"]+ 子 Agent 自己的 profile），主 Agent 的 USER 段不会传过去。这点 customization 文档里写得很清楚，但容易忽略。
七、什么时候不该用create_deep_agent
诚实说一句：
- 任务形状根本不是 ReAct：比如严格 DAG、严格 pipeline、严格事件驱动 → 直接 LangGraph，DeepAgents 帮倒忙
- 超轻量场景：你只想做 “一次模型推理 + 一次工具” 这种两步任务 → LangChain 的
create_agent就够，DeepAgents 多余 - 你需要完全自定义 Agent 循环逻辑：比如先并行 N 个不同 prompt 投票再决策 → 自己写 LangGraph 图
DeepAgents 的甜区是长任务 + 多步骤 + 需要规划/委派/记忆。这是它的 README 里"long-horizon, multi-step work"那行字背后的东西。
八、Day 4 一句话结论
在 LangGraph 里，你定义的是图；在 DeepAgents 里，你声明的是意图。 编译产物是同一个
CompiledStateGraph，差别只在你写多少代码。
判断标准：你的 Agent 是不是 ReAct 形状？是 → 用 DeepAgents 省样板；不是 → 留在 LangGraph。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～