🚀 DeepAgents 快速开始

# 安装 DeepAgents 和 Tavily 搜索工具
pip install deepagents tavily-python

# 如果需要 LangChain 集成
pip install langchain langchain-anthropic

# 设置 Anthropic API 密钥（必需）
export ANTHROPIC_API_KEY="your-anthropic-api-key"

# 设置 Tavily API 密钥（用于网络搜索）
export TAVILY_API_KEY="your-tavily-api-key"

# 可选：启用 LangSmith 追踪
export LANGCHAIN_TRACING_V2="true"
export LANGCHAIN_API_KEY="your-langsmith-api-key"

"""
创建第一个 DeepAgent - 研究助手
"""
import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

# 初始化 Tavily 搜索客户端
tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
) -> dict:
    """
    执行网络搜索

    Args:
        query: 搜索查询字符串
        max_results: 返回的最大结果数
        topic: 搜索主题（general, news, finance）
        include_raw_content: 是否包含原始内容

    Returns:
        搜索结果字典
    """
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

"""
初始化 DeepAgent 研究助手
"""
# 定义系统提示词
research_instructions = """你是一位专业的研究专家。你的任务是进行深入研究，然后撰写精炼的报告。

你可以使用网络搜索工具作为主要的信息收集手段。

## 可用工具

### `internet_search`
使用此工具对给定的查询进行网络搜索。你可以指定：
- 返回结果的最大数量
- 搜索主题（general, news, finance）
- 是否包含原始内容

## 工作流程

1. **理解需求**: 仔细分析用户的研究请求
2. **制定计划**: 使用内置的 write_todos 工具分解研究任务
3. **执行搜索**: 进行多次有针对性的搜索
4. **整合信息**: 将搜索结果综合成连贯的报告
5. **撰写报告**: 提供清晰、有见地的最终输出

注意：对于大量搜索结果，可以使用文件系统工具（write_file, read_file）来管理数据。
"""

# 创建 DeepAgent
agent = create_deep_agent(
    tools=[internet_search],
    system_prompt=research_instructions
)

print("✅ DeepAgent 研究助手已创建！")

"""
使用 DeepAgent 进行研究
"""
# 提交研究请求
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "什么是 LangGraph？请提供详细的介绍和主要特性。"
    }]
})

# 打印 Agent 的响应
response = result["messages"][-1].content
print("=" * 60)
print("研究报告：")
print("=" * 60)
print(response)
print("=" * 60)

# 示例输出：
# ============================================================
# 研究报告：
# ============================================================
#
# # LangGraph 深度解析
#
# ## 概述
# LangGraph 是 LangChain 生态系统的核心组件，用于构建
# 复杂的、有状态的 AI 应用...
#
# ## 主要特性
# 1. **状态管理**: 使用 StateGraph 管理对话状态
# 2. **持久化**: 支持 Checkpointer 长期存储
# 3. **人工介入**: Human-in-the-Loop 工作流
# ...
# ============================================================

"""
DeepAgent 自动化工作流演示
"""
import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

# 初始化
tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """网络搜索工具"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

# 创建高级研究 Agent
research_instructions = """你是顶级研究分析师。你的任务是：

1. **深度研究**: 对给定主题进行全面调查
2. **多角度分析**: 从技术、商业、应用等多个维度分析
3. **数据综合**: 整合多个来源的信息
4. **结构化输出**: 生成清晰、专业的研究报告

## 工作方法

- 使用 `write_todos` 工具制定研究计划
- 使用 `internet_search` 收集信息
- 使用 `write_file` 保存大量数据（避免上下文溢出）
- 使用 `read_file` 读取已保存的数据
- 如需深入分析特定方面，可以委派子代理

## 输出格式

# [主题]研究报告

## 1. 执行摘要
...

## 2. 技术分析
...

## 3. 应用场景
...

## 4. 优势与挑战
...

## 5. 未来趋势
...

## 6. 参考来源
...
"""

agent = create_deep_agent(
    tools=[internet_search],
    system_prompt=research_instructions
)

# 执行复杂研究任务
result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": """请深入研究"LangChain 1.0 的中间件系统"。

我需要了解：
1. 中间件系统的技术架构
2. 主要应用场景和最佳实践
3. 与 LangGraph 的集成方式
4. 生产环境部署建议

请提供详尽的研究报告。"""
    }]
})

# DeepAgent 自动执行的步骤：
#
# 1️⃣ **自动规划** (write_todos):
#    - 任务 1: 搜索 LangChain 1.0 中间件架构
#    - 任务 2: 查找应用场景和最佳实践
#    - 任务 3: 研究 LangGraph 集成方式
#    - 任务 4: 收集部署建议
#
# 2️⃣ **执行搜索** (internet_search):
#    - 搜索 "LangChain 1.0 middleware architecture"
#    - 搜索 "LangChain middleware use cases"
#    - 搜索 "LangGraph middleware integration"
#    - 搜索 "LangChain production deployment"
#
# 3️⃣ **上下文管理** (write_file/read_file):
#    - 将大量搜索结果写入文件
#    - 逐步读取和分析数据
#
# 4️⃣ **信息综合**:
#    - 整合所有收集到的信息
#    - 生成结构化报告
#
# 5️⃣ **最终输出**:
#    - 返回完整的研究报告

# 打印最终报告
print(result["messages"][-1].content)

# DeepAgent 自动创建子代理的场景：
#
# 主 Agent: 研究 LangChain 1.0
#   ├─ 子 Agent 1: 专门研究 Agent 架构
#   ├─ 子 Agent 2: 专门研究 RAG 实现
#   └─ 子 Agent 3: 专门研究最佳实践
#
# 每个子 Agent 独立执行，然后将结果汇总给主 Agent

import os

# 启用 LangSmith 追踪
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"

# 所有 DeepAgent 调用会自动追踪

import os

# 启用追踪
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"

# 执行 Agent
result = agent.invoke({...})

# 在 LangSmith UI 中查看：
# - 所有工具调用
# - 中间结果
# - 子代理执行
# - 错误和重试

# 在后续的定制化章节会详细介绍
# 如何通过中间件控制执行时间