企业官网建设流程全解析

学习资料：Datawhale《Deep Agents 实战》第五章：子 Agent 与上下文隔离

本章重点：SubAgent、Context Quarantine、task()、SubAgentMiddleware、CompiledSubAgent、多 Agent 协作。

一、为什么需要 SubAgent？

上一章介绍了任务规划，通过write_todos将复杂任务拆解成多个子任务。

但任务拆解不代表上下文问题得到解决。

例如，让 Agent 完成一份技术调研报告，其中一个任务是搜索 LangGraph 的相关资料。这个过程可能涉及：

• 多次网络搜索，每次返回大量文本；

• 反复读取文档和保存中间结果；

• 比较不同来源的信息；

• 整理最终研究结论。

如果所有操作都由主 Agent 完成，搜索记录、工具返回和中间分析会不断堆积，导致上下文膨胀。

而主 Agent 实际上只需要知道最终的研究结论，不需要保留每次搜索的详细过程。

因此，Deep Agents 引入了SubAgent（子智能体）机制，将复杂子任务交给独立 Agent 执行。

1.1 核心思想：Context Quarantine

SubAgent 最重要的设计思想是Context Quarantine（上下文隔离）。

其执行流程：

用户提出复杂任务 | v 主 Agent 规划与任务分配 | | task() v SubAgent 独立上下文执行 | | 搜索、分析、工具调用 | 保存中间结果 v 返回精炼摘要 | v 主 Agent 整合结果并继续执行

主 Agent 通过task工具委派任务，子 Agent 在独立上下文中完成工作，最后仅将结果返回主 Agent。

这里的隔离主要指对话上下文隔离，并不是所有资源完全隔离。使用共享 Backend 时，主、子 Agent 仍然可以共享文件。

1.2 什么情况下使用 SubAgent？

SubAgent 会增加模型调用和委派成本，所以并不是子任务越多越好。

二、如何定义 SubAgent？

Deep Agents 最常用的方式是通过 Python 字典定义子 Agent。

from deepagents import create_deep_agent research_subagent = { "name": "researcher", "description": "执行深度技术调研，搜索资料并整理结果", "system_prompt": """ 你是一名技术研究员。 1. 拆解研究问题 2. 搜索并交叉验证资料 3. 总结关键技术与局限 4. 返回500字以内的摘要 """, "tools": [internet_search], } agent = create_deep_agent( model=model, subagents=[research_subagent], )

其中model和internet_search需要提前定义，示例主要展示 SubAgent 的配置方式。

2.1 关键配置字段

前三个字段必填。

这里有几个容易忽略的细节：

第一，description决定任务路由。

主 Agent 需要根据描述判断调用哪个子 Agent。因此，描述应说明适用场景，而不是简单写成“负责研究”。

第二，system_prompt不继承主 Agent。

每个 SubAgent 都需要自己的系统提示词。

第三，tools默认继承，但显式指定后完全替换。

例如：

"tools": [internet_search]

意味着该子 Agent 使用指定工具集，而不是在主 Agent 的工具列表上追加工具。

此外，skills和普通新增的middleware默认不继承，文件权限配置显式指定后也会整体替换父级规则，需要特别注意。

三、General-purpose：默认通用子 Agent

Deep Agents 默认提供一个名为general-purpose的子 Agent。

即使没有显式定义subagents，主 Agent 通常也可以通过task工具委派任务。

例如：

agent = create_deep_agent( model=model, tools=[internet_search], system_prompt="你是一名技术研究助手。", )

主 Agent 可以发起类似调用：

task( subagent_type="general-purpose", description="整理 LangGraph 的核心架构特点" )

默认通用子 Agent 可以继承主 Agent 显式配置的模型、工具和 Skills，但不会继承主 Agent 的自定义system_prompt。

3.1 子 Agent 的 Todo 规划能力

第四章介绍了TodoListMiddleware，它可以为 Agent 提供write_todos工具。

需要注意，主 Agent 启用了 Todo，并不代表 SubAgent 自动拥有 Todo。

在 Deep Agents v0.7 中，需要分别启用：

from langchain.agents.middleware import TodoListMiddleware agent = create_deep_agent( model=model, middleware=[TodoListMiddleware()], subagents=[ { "name": "general-purpose", "description": "执行需要规划的复杂任务", "system_prompt": "先制定计划，再执行任务。", "middleware": [TodoListMiddleware()], } ], )

此时，主 Agent 和子 Agent 各自维护独立的 Todo 清单，不会自动共享任务状态。

可以理解为：

• 主 Agent 负责整体规划；

• 子 Agent 负责自己接收到的局部任务；

• 子 Agent 完成后向主 Agent 汇报结果。

这种设计使任务规划形成层次化结构。

四、CompiledSubAgent：复用 LangGraph 工作流

除了字典定义方式，Deep Agents 还支持CompiledSubAgent。

它允许将已有的 LangGraph 工作流包装为子 Agent。

from deepagents import create_deep_agent, CompiledSubAgent from langchain.agents import create_agent # 创建一个专用 Agent analysis_graph = create_agent( model=model, tools=[statistical_analysis], system_prompt="你是一名数据分析专家。", ) # 包装为子 Agent analysis_agent = CompiledSubAgent( name="data-analyzer", description="执行统计分析和结果解释", runnable=analysis_graph, ) agent = create_deep_agent( model=model, subagents=[analysis_agent], )

示例中的statistical_analysis是应用自行定义的工具。

使用CompiledSubAgent时，底层图的 State 必须包含messages字段。

两种定义方式的区别：

普通研究、搜索、报告生成使用字典方式即可。

如果已有成熟的 LangGraph 工作流，或者任务涉及复杂分支和状态流转，则更适合CompiledSubAgent。

五、多 SubAgent 协作模式

实际项目中，可以定义多个专业 SubAgent，让主 Agent 承担任务协调工作。

例如，一个科研文献调研系统可以拆分为：

主 Agent 规划与协调 | +-------+-------+ | | | v v v researcher analyzer writer 文献检索 数据分析 报告撰写 | | | +-------+-------+ | v 主 Agent 整合最终结果

对应配置：

subagents = [ { "name": "researcher", "description": "负责文献搜索和资料收集", "system_prompt": "收集资料，返回核心发现与来源。", "tools": [internet_search], }, { "name": "analyzer", "description": "负责分析研究结果与技术局限", "system_prompt": "提取关键发现并比较不同方法。", }, { "name": "writer", "description": "根据研究结果撰写技术报告", "system_prompt": "将分析结果整理成结构清晰的报告。", }, ] agent = create_deep_agent( model=model, subagents=subagents, )

典型执行过程：

1. 主 Agent 制定总体计划。

2. researcher搜集相关资料。

3. analyzer分析研究结果。

4. writer撰写报告。

5. 主 Agent 检查和整合最终内容。

这里需要注意，多个 SubAgent 并不意味着自动并行执行。

本章主要介绍同步任务委派。真正的异步委派与并行协作属于下一章的内容。

六、结构化输出：response_format

默认情况下，SubAgent 返回的是自由文本。

但对于需要程序化处理的任务，自由文本可能存在字段不一致、格式不稳定等问题。

Deep Agents 可以通过response_format指定 Pydantic 数据结构。

from pydantic import BaseModel, Field class ResearchResult(BaseModel): summary: str = Field(description="研究摘要") confidence: float = Field(description="置信度") sources: list[str] = Field(description="参考来源") research_subagent = { "name": "researcher", "description": "研究指定主题并返回结构化结果", "system_prompt": "完成研究并返回指定结构。", "response_format": ResearchResult, }

此时，子 Agent 可以返回类似：

{ "summary": "LangGraph支持状态化工作流编排。", "confidence": 0.92, "sources": [ "https://docs.langchain.com/" ] }

结构化输出的优势在于：

• 方便主 Agent 提取指定字段；

• 降低结果解析成本；

• 适合多 Agent 之间的信息传递；

• 便于后续数据存储和自动化处理。

这里的confidence是模型提供的数值，不应直接理解为经过统计校准的真实置信度。

七、SubAgent 的设计经验

结合本章内容，整理几个比较实用的原则。

7.1 description 要明确

不推荐：

"description": "负责搜索"

推荐：

"description": ( "负责需要多次搜索、交叉验证和综合整理的" "复杂技术调研任务" )

描述越具体，主 Agent 越容易正确选择子 Agent。

7.2 工具集遵循最小权限原则

研究型 Agent 通常只需要搜索和文件读取工具，没有必要配置邮件发送、文件删除等无关工具。

这既减少了工具选择的复杂度，也降低了误操作风险。

7.3 不同任务使用不同模型

简单信息提取可以使用轻量模型，复杂推理任务可以使用更强的模型。

这样能够在能力、延迟和成本之间进行权衡。

7.4 控制返回结果长度

上下文隔离是否有效，很大程度上取决于子 Agent 的返回内容。

如果子 Agent 把全部搜索记录和原始数据都返回给主 Agent，仍然会造成上下文膨胀。

更合理的做法是：

中间数据保存到文件，最终只返回摘要、关键发现和文件路径。

7.5 常见问题

八、学习总结

本章最重要的收获，是理解 SubAgent 的目的并不只是把一个任务交给另一个模型执行，而是通过委派机制管理复杂任务的上下文和执行边界。

结合前面几章，可以建立一条比较清晰的技术主线：

• 第三章 Virtual Filesystem：解决大量中间信息如何存储。

• 第四章 Task Planning：解决复杂任务如何拆解和跟踪。

• 第五章 SubAgent：解决复杂子任务由谁执行，以及如何隔离执行上下文。

这三种机制结合后，Deep Agents 就可以将任务规划、局部执行和信息存储分开管理。

对于科研 Agent，我认为比较合适的场景是文献调研和实验结果分析：主 Agent 负责管理研究目标，专业子 Agent 分别处理文献检索、方法比较和数据分析，最后只返回关键结论。

但也需要认识到，SubAgent 本身并不保证研究结果正确。任务交接过程中仍可能出现信息遗漏、错误传播以及额外的 Token 开销，需要通过结果校验和合理的任务划分来控制。

总结：任务规划解决“做什么”，SubAgent 解决“谁来做”，Context Quarantine 解决“执行过程中产生的信息放在哪里”。

参考资料：

Datawhale：《Deep Agents 实战》第五章：子 Agent 与上下文隔离

标签：Deep AgentsLangChainLangGraphSubAgent多智能体Context Engineering