定位与设计哲学
DeepAgents 解决的是长任务 agent 的真实痛点。面试主线：它解决什么问题、设计哲学是什么、和 Claude Code 什么关系。
定位：batteries-included harness
生态递进: 运行时 → 最小 harness → 一体化 harness
官方定位：LangGraph 是图运行时，create_agent 是最小 harness，DeepAgents 是更 opinionated 的 harness，同一套积木，更多默认能力。
from deepagents import create_deep_agent
agent = create_deep_agent(
model="openai:gpt-5.5",
tools=[my_custom_tool],
system_prompt="You are a research assistant.",
)
result = agent.invoke({"messages": "调研 LangGraph 并写总结"})长任务的三个痛点
| 痛点 | 表现 | DeepAgents 的解法 |
|---|---|---|
| 上下文膨胀 | 任务越长上下文越满，模型开始遗忘 | 上下文管理（总结、卸载到磁盘） |
| 状态丢失 | 会话/进程结束就忘 | 持久记忆（state/store 后端） |
| 能力单一 | 只靠对话和少数工具，干不了实事 | 文件系统、shell、子代理、skills |
这三个痛点正是“简单 demo agent 和真实生产 agent”的分水岭。
设计哲学
- Opinionated：默认调优面向长时程、多步骤任务（Claude Code/Manus 验证过的模式）
- Extensible：任何部件可替换（工具、后端、提示词），不 fork 也能定制
- Model-agnostic：任何支持工具调用的模型（前沿、开源、本地）
- Production-ready：构建在 LangGraph 上（流式、持久化、checkpoint），LangSmith 一等支持
与 Claude Code 的关系
- 模式来源：Claude Code（文件系统 + 委派 + 记忆）和 Manus（多代理 + 长任务）验证过的工程模式
- DeepAgents 把这些模式做成可编程库：你的应用获得同样的能力，但模型可换、逻辑可控
- 对比：Claude Code 是闭源产品（coding agent），DeepAgents 是开源框架（任意 agent 场景）
面试追问
- DeepAgents 解决什么？ 长任务 agent 的三大痛点：上下文膨胀、状态丢失、能力单一。开箱即用
- 和 create_agent 什么关系？ DeepAgents 构建在 create_agent 之上，加文件系统、子代理、skills、记忆
- 设计哲学？ Opinionated 默认 + Extensible 可换 + Model-agnostic + Production-ready
- 受什么启发？ Claude Code 和 Manus 验证过的工程模式：文件操作、任务委派、持久记忆
- 什么时候用 DeepAgents？ 长时程、需要文件/委派/记忆的任务。简单对话 agent 用 create_agent 就够