DeepAgents
校招考察频度：☆ 中频（原理扩展·工程加分项） 复习主线：DeepAgents 是开箱即用（Batteries-included）的工业级智能体外壳（受 Claude Code / Manus 架构启发）。校招面试核心聚焦点：长任务执行三大痛点（上下文爆炸、中间状态丢失、能力单调）的终极解法：虚拟文件系统（Filesystem 作外置磁盘中继）、Subagents 子代理上下文隔离委派、渐进式 Skills 技能包加载、跨会话持久记忆。
DeepAgents 是 LangChain 官方的一体化 agent harness，定位“开箱即用”，把长程任务智能体所需的默认关键能力全部封装完备。
分类考频地图
| 专题 | 核心页面 | 校招考频星级 | 重点考查要点 |
|---|---|---|---|
| 设计哲学与架构 | DeepAgents 定位与哲学 | ☆ 中频 | 为什么需要 Opinionated Harness、借鉴 Claude Code / Manus 的长任务设计经验、Agent = Model + Harness 的典型落地 |
| 上下文管理与隔离 | DeepAgents 上下文管理 | ☆ 中频 | 虚拟文件系统读写避免全量内容撑爆上下文、Subagents 独立会话隔离噪声、Skills 渐进式披露（Progressive Disclosure） |
| 持久记忆与演进 | DeepAgents 记忆与演进 | ☆ 中频 | 跨运行周期的持久化偏好、项目经验知识累积、自动提炼工作区规则 |
| 选型对比与生产 | 选型决策与生产落地 | ☆ 中频 | create_deep_agent vs create_agent vs 原生 LangGraph、长程代码助手与多步调研 Agent 最佳适用场景 |
校招面试核心问答
- 在执行几小时的长程复杂任务中，为什么要用 Subagents（子代理）进行任务委派，而不是单 Agent 一直跑？
单 Agent 持续执行多步工具调用会导致上下文迅速膨胀至数十万 Token，不仅推理延迟暴增、成本极度昂贵，更会触发严重的“注意力稀释”与“幻觉”，导致模型遗忘最初目标。Subagents 机制让主 Agent 将子任务（如“分析 10 个财报文件并提取 3 个数字”）委派给子 Agent，子 Agent 拥有全新的干净上下文，完成后只将精炼的最终结论返回给主 Agent，实现上下文物理隔离。