01 Subagents：Deep Agents 的子智能体（内置 task 工具 + 一整套配置面）

1
# 主 Agent 的工具是 [search, read_file, write_file]
2
# 下面这个子智能体只会拿到 [search]，文件工具全没了
3
searcher = {
4
    "name": "searcher",
5
    "description": "只做网络检索并返回摘要",
6
    "system_prompt": "用 search 检索，返回不超过 200 字的摘要。",
7
    "tools": [search],  # 整体覆盖，不是"在继承基础上再加一个 search"
8
}
9

10
# 想保留文件工具，就得自己把 FilesystemMiddleware 带进来
11
from deepagents import FilesystemMiddleware
12

13
searcher_with_fs = {
14
    **searcher,
15
    "middleware": [FilesystemMiddleware(tools=["read_file", "write_file"])],
16
}

1
from deepagents import CompiledSubAgent, create_deep_agent
2
from langchain.agents import create_agent
3

4
# ① 先用 create_agent 或 LangGraph 图 API 编译一个 agent
5
custom_graph = create_agent(
6
    model="openai:gpt-5.5", tools=[analyze_contract], system_prompt="你是数据分析专家……"
7
)
8

9
# ② 再包成 CompiledSubAgent；runnable 必须已经 .compile()
10
custom_subagent = CompiledSubAgent(
11
    name="data-analyzer",
12
    description="分析结构化数据并给出结论",
13
    runnable=custom_graph,
14
)
15

16
agent = create_deep_agent(model="openai:gpt-5.5", subagents=[custom_subagent])

1
agent = create_deep_agent(
2
    model="openai:gpt-5.5",
3
    tools=[internet_search],
4
    subagents=[
5
        {
6
            "name": "general-purpose",  # 同名 = 替换默认项
7
            "description": "通用研究员，负责多步检索与综合",
8
            "system_prompt": "你是通用助手，检索后只回结论。",
9
            "tools": [internet_search],
10
            "model": "openai:gpt-5.5",  # 给委派任务单独指定模型
11
        },
12
    ],
13
)

1
from deepagents import (
2
    GeneralPurposeSubagentProfile,
3
    HarnessProfile,
4
    register_harness_profile,
5
)
6

7
register_harness_profile(
8
    "openai:gpt-5.5",
9
    HarnessProfile(
10
        general_purpose_subagent=GeneralPurposeSubagentProfile(
11
            description="通用研究助手，适合需要多轮检索的复杂问题",
12
        )
13
    ),
14
)

1
research_subagent = {
2
    "name": "researcher",
3
    "description": "带专门技能的研究助手",
4
    "system_prompt": "你是研究员。",
5
    "skills": ["/skills/researcher/"],  # 只吃自己的技能目录
6
}
7

8
agent = create_deep_agent(
9
    model="openai:gpt-5.5",
10
    skills=["/skills/main/"],  # 主 Agent 和 GP 子智能体吃这份
11
    subagents=[research_subagent],  # researcher 只吃自己那份
12
)

1
from deepagents import create_deep_agent
2

3
def read_diff(path: str) -> str:
4
    """读取某个文件的 diff。"""
5
    return f"diff for {path}"
6

7
comment_writer = {
8
    "name": "comment-writer",
9
    "description": "接着正在进行的 PR 评审，起草评审意见",
10
    "mode": "fork",
11
    "tools": [read_diff],
12
    # 不写 system_prompt：fork 自带父级的，追加会破坏提示词缓存
13
}
14

15
agent = create_deep_agent("openai:gpt-5.5", tools=[read_diff], subagents=[comment_writer])

1
# 父级在派活前一刻拥有的消息列表
2
[
3
    HumanMessage("看看 PR #482 的改动"),
4
    AIMessage("", tool_calls=[{"name": "read_diff", "args": {"path": "src/auth/session.py"}}]),
5
    ToolMessage("- session token 明文打日志\n- refresh 时没校验过期", tool_call_id="1"),
6
    AIMessage("发现两个问题：token 明文打日志、refresh 没校验过期。"),
7
    HumanMessage("找得好。给这两个问题起草评审意见。"),
8
    AIMessage("", tool_calls=[{"name": "task", "args": {"subagent_type": "comment-writer", "description": "给上面发现的两个问题起草评审意见。"}}]),
9
]

1
# fork 实际看到的消息列表
2
[
3
    HumanMessage("看看 PR #482 的改动"),
4
    AIMessage("", tool_calls=[{"name": "read_diff", "args": {"path": "src/auth/session.py"}}]),
5
    ToolMessage("- session token 明文打日志\n- refresh 时没校验过期", tool_call_id="1"),
6
    AIMessage("发现两个问题：token 明文打日志、refresh 没校验过期。"),
7
    HumanMessage("找得好。给这两个问题起草评审意见。"),
8
    HumanMessage("你现在作为刚被调用的子智能体继续。给上面发现的两个问题起草评审意见。"),
9
]

1
stream = agent.stream_events(
2
    {"messages": [{"role": "user", "content": "调研一个量子计算的最新进展。"}]},
3
    version="v3",
4
)
5

6
coordinator_messages: list[str] = []
7
for name, item in stream.interleave("messages", "subagents"):
8
    if name == "messages":
9
        print("[coordinator]", item.text)  # 主管自己的输出
10
        coordinator_messages.append(item.text)
11
    else:
12
        print(f"[{item.name}] started")  # 子智能体开始干活
13
        for message in item.messages:
14
            print(f"[{item.name}]", message.text)
15
        print(f"[{item.name}] status: {item.status}")

1
from langsmith import Client
2

3
client = Client()
4

5
# 只捞某个子智能体的 run
6
runs = client.list_runs(
7
    project_name="<your-project>",
8
    filter='has(metadata, \'{"lc_agent_name": "research-agent"}\')',
9
)
10

11
# 捞"任意命名子智能体"的 run（只要带 lc_agent_name 键），以此排除主 Agent
12
subagent_runs = client.list_runs(
13
    project_name="<your-project>",
14
    filter="has(metadata, 'lc_agent_name')",
15
)

1
from langchain.tools import ToolRuntime, tool
2

3
@tool
4
def shared_lookup(query: str, runtime: ToolRuntime) -> str:
5
    """查询信息。"""
6
    agent_name = runtime.config.get("metadata", {}).get("lc_agent_name")
7
    if agent_name == "fact-checker":
8
        return strict_lookup(query)
9
    return general_lookup(query)

1
research_subagent = {
2
    "name": "research-agent",
3
    "description": "用 web 搜索做深度研究并综合结论",
4
    "system_prompt": """你是严谨的研究员。你的任务是：
5
1. 把研究问题拆成可搜索的查询
6
2. 用 internet_search 找相关信息
7
3. 综合成全面但精简的摘要
8
4. 下结论时标注来源
9

10
输出格式：摘要（2-3 段）+ 关键发现（要点）+ 来源（带 URL）
11
回答控制在 500 字以内，保持上下文干净。""",
12
    "tools": [internet_search],
13
}

1
# ✅ 好：聚焦的工具集
2
email_agent = {"name": "email-sender", "tools": [send_email, validate_email]}
3

4
# ❌ 差：工具太多太杂
5
email_agent_bad = {
6
    "name": "email-sender",
7
    "tools": [send_email, web_search, database_query, format_document],
8
}

1
subagents = [
2
    {
3
        "name": "contract-reviewer",
4
        "description": "审阅法律文档与合同",
5
        "system_prompt": "你是资深法律审阅者……",
6
        "tools": [read_document, analyze_contract],
7
        "model": "google_genai:gemini-3.6-flash",  # 大上下文，吃长文档
8
    },
9
    {
10
        "name": "financial-analyst",
11
        "description": "分析财务数据与市场趋势",
12
        "system_prompt": "你是资深财务分析师……",
13
        "tools": [get_stock_price, analyze_fundamentals],
14
        "model": "openai:gpt-5.5",  # 数值分析更强
15
    },
16
]

1
data_analyst = {
2
    "system_prompt": """分析数据并返回：
3
1. 关键洞察（3-5 条）
4
2. 总体置信度
5
3. 建议的下一步
6

7
不要包含：原始数据、中间计算过程、详细的工具输出。
8
回答控制在 300 字以内。"""
9
}