今天給家人們分享一些“真”Agent實操經驗~

你們有沒有覺得，自己按照各種教程搭出來的的AI Agent總是有點智障？

讓它干點復雜任務，分分鐘就把自己繞暈了。

為什么像 Manus、Claude Code 這樣的頂級應用如此強大？

難道只是因為他們提前做了一個TODOLIST嗎？

我們需要知道一個新的概念： 我們要做 Deep Agent 而非 Shallow Agent。

告別“淺層”，擁抱“深度”

大多數人構建Agent的方式，說白了就是一個LLM在循環調用工具。 ReAct的模式。

這個模式很簡單，但天花板也極低。一旦任務復雜、時間一長，它就徹底懵圈，因為它缺乏長期規劃和復雜任務的拆解能力。

這可能就是Shallow Agent，或者叫淺層智能體。

而像 Claude Code 和 OpenAI 的 Deep Research 這樣的應用，之所以能處理復雜的編碼和研究任務，就是在簡單的循環之上，需要做更多的事情~

一個標準的深度Agent架構應該長蝦米那這個樣子。

秘密一：冗長又啰嗦的System Prompt

Prompt工程遠未過時！

Claude Code的系統提示詞，早就被hack出來了。它長得離譜，里面包含了大量關于如何使用工具的詳細指令，甚至還有各種情況下的 Few-shot 示例。

??https://github.com/kn1026/cc/blob/main/claudecode.md??

1700行的Prompt， 這證明了，想讓AI干好活，就不能怕啰嗦，必須把規則和期望喂到它嘴里。

秘密二：一個什么都不做的規劃工具

這是最有意思的一點。

Claude Code 有一個“待辦事項(Todo list)”工具，但這玩意兒其實是個“空操作”！

也就是說，Agent調用了它，但它實際上什么也沒執行，只是把“我要做A、B、C”這個想法返回給了Agent自己。

這是在干嘛？其實這是一種上下文工程（Context Engineering）技巧。

通過讓Agent“假裝”在規劃和列清單，強制它在行動前思考和拆解任務，從而把規劃步驟保留在上下文中，引導后續的每一步行動。

??https://claudelog.com/faqs/what-is-todo-list-in-claude-code??

說白了，就是給Agent裝了個思考輔助器，讓它自己跟自己對齊。

秘密三：委派任務的Sub Agents

頂級應用從不指望一個Agent干所有事。

Claude Code可以根據任務派生出專門的Sub-agents。比如，一個主Agent Orchestrator負責整體協調，然后把代碼編寫、文件檢索等具體任務外包給不同的專家子Agent。

這樣做的好處是 上下文隔離。每個子Agent只專注于自己的小任務，不會被全局的復雜信息干擾，從而能更深入地解決特定問題。

秘密四：作為“共享記憶”的文件系統

對于需要長時間運行的復雜任務，上下文窗口是遠遠不夠的。所以，深度智能體必須能讀寫文件系統。

文件系統不僅是最終交付代碼的地方，更是一個持久化的“草稿紙”和“共享工作區”。

主Agent和子Agent都可以隨時把中間結果、筆記、思考過程寫入文件，需要時再讀出來。這解決了Agent 記憶太短的問題，讓長期、多步的協作成為可能。

最后

光說不練假把式。為了讓大家能快速上手這套架構，周末肝了一個開源包 deepagents，把上面這四套核心機制都封裝好了。

你可以用 ??pip install deepagents?? 安裝。

內置了受Claude Code啟發的系統提示、Todo規劃工具、派生子Agent的能力，甚至還有一個虛擬文件系統，讓你安全地在內存中讀寫文件。

from deepagents import create_deep_agent

# 定義Agent可以使用的工具
tools = [your_custom_tool1, your_custom_tool2]

# 為Agent創建指令
instructions = "你是一位專家研究員。你的工作是..."

# 創建Agent
agent = create_deep_agent(tools, instructions)

# 調用Agent
result = agent.invoke({"messages": [{"role": "user", "content": "你的任務"}]})

有了這個輪子，我們就可以把精力放在定義自己的指令、工具和子代理上，為特定場景打造真正強大的Agent。

本文轉載自????????探索AGI????????，作者：獼猴桃