企业官网建设流程全解析

代码学习参考：https://github.com/Bald0Wang/deepagents-in-action

官方教程参考：Deep Agents 实战 — 从零构建生产级 AI Agent 的完整指南

主要代码学习参照如上github地址，同时配套官方教程学习。

ch01-ch02

一、从 Framework 到 Harness

二、五分钟上手第一个Deep Agent

from langchain_openai import ChatOpenAI from deepagents import create_deep_agent model = ChatOpenAI( model=os.environ.get("MODEL_NAME", "deepseek-v4-flash"), api_key=os.environ["DEEPSEEK_API_KEY"], base_url="https://api.deepseek.com/v1", # 硅基流动则是 api.siliconflow.cn/v1 ) agent = create_deep_agent( model=model, tools=[get_weather], # 自定义工具 system_prompt="You are a helpful assistant.", ) result = agent.invoke({"messages": [{"role": "user", "content": "北京今天天气怎么样？"}]}) print(result["messages"][-1].content)

结构很清晰：注册模型；写工具函数；注册成工具；invoke

自定义工具的三要素：

参数类型标注：告诉Agent每个参数该传什么类型

Docstring: 告诉Agent这个工具的用途，何时调用

默认值：标记可选参数，减少必填，降低出错

三、基础环境配置

本项目基于linux系统，作为windows用户可以配置WSL来进行学习。具体详细配置步骤可以见本人另一篇帖子。

WSL（Windows Subsystem for Linux）是微软为 Windows 用户提供的一个子系统，它允许你在 Windows 上原生运行 Linux（不是虚拟机，不是双系统），直接使用 Bash、apt、gcc、Python、Node.js 等 Linux 工具。

安装/启动命令行：

wsl --install -d Ubuntu-24.04 //从网上下载并安装Ubuntu 从cmd进入Ubuntu命令： wsl -d Ubuntu-24.04 //启动并进入已安装好的Ubuntu

进入项目目录下激活虚拟环境：

source .venv/bin/activate

Vs Code打开当前linux项目(此时还在Ubuntu内 输入code .)：

code .

排查网络相关问题时，可输入命令行查看代理配置：

env | gerp -i proxy

ch03虚拟文件系统

一、本章核心概念

1. 七个工具：把它们当作 CLI 的“文件操作语言”

2. 五种常见后端，落到具体应用

二、核心代码理解

1. 01_builtin_file_tools.py（分为Part A 和 Part B）

• Part A：不用 LLM，直接测文件后端
  • 直接调用FilesystemBackend
  • 验证write / read / glob / grep / edit / delete
  • 结果确定，适合用assert做测试
  • 重点是确认“底层文件能力没问题”
• 沙箱目录.sandbox
  • root_dir=SANDBOX指定真实文件只能写到.sandbox里
  • virtual_mode=True让/workspace/a.txt映射到.sandbox/workspace/a.txt
  • 作用是限制文件访问范围，避免误操作真实系统目录
• 分片读取
  • read(offset=100, limit=50)表示跳过前 100 行，再读 50 行
  • 适合大文件，避免一次把整个文件放进上下文
• glob 和 grep
  • glob：找文件路径，比如**/*.md
  • grep：找文件内容，比如搜索"TODO"
  • 常见思路：先找文件，再找内容，再局部读取
• edit 后再验证
  • 先把一处TODO改成DONE
  • 再grep("TODO")
  • 从 3 处变 2 处，说明修改真的生效
• Part B：让 Agent 自己调文件工具
  • 不再手写backend.write()、backend.read()
  • 只给 Agent 自然语言任务
  • Agent 自己决定何时调用write_file / ls / read_file / grep / edit_file / delete
• Part A 和 Part B 的区别
  • Part A：测“工具本身对不对”
  • Part B：测“LLM 会不会正确使用工具”
• 最核心的测试思想
  • 先做无 LLM 的确定性测试
  • 再做有 LLM 的端到端测试
  • 这样出问题时更容易判断：是工具坏了，还是 Agent 调度错了

2. 02_context_auto_management.py

Deep Agent 的上下文并不是简单地不断把所有内容塞给 LLM，而是会通过“卸载”和“总结”两种机制主动控制 Context Window。

Part A：tool_token_limit_before_evict 低于工具输出 token 数时，
工具结果自动写入虚拟文件系统，对话历史只留「路径引用 + 前 10 行预览」。
Part B：SummarizationMiddleware 用 trigger={"messages": N} 低成本触发，
完整历史写入文件存档，对话历史替换为结构化摘要。

3. 03_backends.py
覆盖课程五种后端：
- StateBackend : 临时存储（同线程内持久，换线程即丢）
- FilesystemBackend : 本地磁盘 + virtual_mode 路径沙箱
- LocalShellBackend : 文件工具 + execute（本地 Shell，无沙箱）
- StoreBackend : 跨线程持久化（namespace 按用户隔离）
- CompositeBackend : 混合路由（/memories/ -> Store，其余 -> State）