Agent 项目使用了什么框架？

核心回答

下面以企业研搜助手为参考示例：它把公开网络信息、内部业务数据和私有文档结合起来，回答研究问题，并按需生成 Markdown 或 PDF。后端使用 Python，Agent 主要由 DeepAgents 组织，同时复用 LangChain 和 LangGraph 的基础能力。

• DeepAgents：通过 create_deep_agent 组装主 Agent、三个自定义业务专家和工具。主 Agent 理解任务、选择专家、汇总结果并生成文件；专家分别查询网络、数据库和内部知识库。
• LangChain：统一模型接入和工具接口，把搜索、SQL、知识库等业务函数交给 Agent 调用。
• LangGraph：作为底层运行时承接图状态、流式执行和检查点。项目通过 thread_id 关联会话，当前检查点使用进程内的 InMemorySaver。
• FastAPI：承接任务提交、上传下载和取消接口，后台异步执行 Agent，通过 WebSocket 推送进度和结果。

数据侧，Tavily 提供公开搜索，MySQL 保存结构化业务数据，RAGFlow 提供内部文档问答。选择这套组合，是因为任务需要按信息来源动态委派并交付报告；业务工具、会话目录和前端事件由项目代码接入，通用工具循环与专家委派复用框架。

展开说明

1. 说清各层实际用了什么

这个实现直接调用的是 create_deep_agent，注册模型、主提示词、文件工具、专家配置和检查点；底层图执行由框架组合提供。因此可以说“用 DeepAgents 构建，底层依赖 LangChain 和 LangGraph”，再分别说明各层实际承担的职责。

LangChain 的模型初始化接口创建项目统一使用的模型对象；工具装饰器把业务函数的名称、参数和说明暴露给 Agent。模型决定发起什么调用，实际访问网络、执行 SQL 或请求 RAGFlow 的仍是 Python 工具代码。模型通过 OpenAI 兼容接口接入，具体模型名由环境配置决定。

LangGraph 承接执行状态和消息流。项目传入 thread_id，把同一会话关联到检查点，并使用 astream 消费执行过程。这里配置的是 InMemorySaver，可支持进程运行期间的会话状态，但没有因此获得跨重启的持久恢复能力。

2. 用一个请求串起框架和业务代码

例如用户要求：“读取上传材料，结合内部药品销售数据和知识库说明，生成一份 PDF 报告。”参考实现的处理链路是：

1. FastAPI 接收任务，创建后台协程并返回会话标识。执行入口为该会话准备工作目录，将上传文件复制到工作目录，并向 Agent 提供文件列表。
2. 主 Agent 先通过文件工具读取材料，再按需要通过框架的 task 工具委派业务专家。数据库专家掌握列出表、查看样例和执行 SQL 的工具；知识库专家先查询可用 RAGFlow 助手，再向匹配的助手提问。只有需要公开信息时才调用网络专家。
3. 专家结果回到主 Agent。主 Agent 组织报告内容，调用 Markdown 生成工具，再转换为 PDF。附件读取和最终文件交付由主 Agent 自己的工具完成。
4. 应用消费流式执行结果，把工具调用、专家调用和最终回答转成前端事件；产物保存在对应会话目录，通过文件接口提供查看和下载。

这里，框架负责组织模型与工具的交互及委派；业务代码负责具体数据访问、目录处理、接口和事件推送。两者连接起来，才形成从用户请求到可下载报告的完整流程。

3. 为什么这样选，还有什么需要自己补

研搜任务所需的信息来源和补查顺序可能随返回结果变化，主 Agent 加专家工具的组织方式比较贴合这种需求。DeepAgents 提供已有的执行与委派方式，可以减少自行维护通用循环的工作；LangChain 的模型和工具接口便于接入业务函数，LangGraph 提供相应运行能力。

这并不意味着每个业务步骤都应交给模型决定。确定的文件转换、路径解析和事件封装，仍适合用普通代码实现。数据权限、查询约束、外部调用超时和业务幂等，也需要在应用或工具层落实。比如能调用 SQL 工具，只说明已经打通查询能力，不能据此认为已经具备完整的只读权限控制。

如果任务变成固定的“校验输入、查询数据、生成报告”，可以考虑普通函数或显式工作流；如果需要精确控制分支、暂停和恢复，也可以直接用 LangGraph 编排。替代方案应比较同一条业务链路需要补齐的工具循环、状态、错误处理和事件接口，不能只比较入口代码有多少行。

常见追问

你在项目里具体负责什么？

可以接着说明自己承担的模块及输入输出。例如，如果负责业务工具接入，就讲如何把查询需求转成工具参数、访问数据、处理异常并返回结构化结果；如果负责执行与前端联调，就讲会话如何关联后台任务、进度事件和最终文件。再选一个实际遇到的问题展开，职责就会比“用了某个框架”更清楚。

已有 LangGraph，为什么还用 DeepAgents？

LangGraph 可以更直接地描述状态、节点和分支；DeepAgents 在其上提供适合较长任务的 Agent 组织方式。这个参考项目主要复用高层主从委派，再接入业务工具，减少手写执行循环。如果高层控制方式与业务不匹配，可以下沉到显式图或自定义节点，按模块调整。

使用框架是否就支持任务恢复和取消？

要看实际接法。参考代码能取消后台 asyncio.Task，但第三方同步阻塞调用可能要等返回后才结束；检查点又采用内存实现，进程重启后状态不会保留。若需要持久恢复，还要配置相应存储，并处理恢复时可能重复执行的外部操作。

对应教程

参考资料