理论聊够了，今天我们看点实际的。

Deep Agents 的 GitHub 仓库里有 15 个官方示例，覆盖了从研究助手到 SQL 查询的各种场景。我把每个都过了一遍，挑出最值得说的几个做详细解读。

本文提纲

1. Deep Research：多步网络研究 Agent
2. Content Builder：内容创作 Agent
3. Text-to-SQL：自然语言转 SQL
4. Deploy 系列：4 种部署模式
5. NVIDIA Deep Agent：GPU 加速 Agent
6. 其他有趣的案例
7. 如何选择适合你的模式

Deep Research：多步网络研究 Agent

这是最让我兴奋的例子。它实现了类似 OpenAI Deep Research 的功能，但完全开源。

工作流程：

MERMAID_BLOCK_0

关键技术点：

1. Tavily 搜索集成 — 用 Tavily API 发现相关 URL，比直接用 Google 搜索 API 更适合研究场景。

2. 并行子代理 — 每个搜索结果分配一个独立的子代理去深入阅读和分析。这是 Deep Agents task 工具的典型用法——多个子代理并行工作，最后汇总。

3. 战略性反思（Strategic Reflection） — 这是让我眼前一亮的设计。Agent 在收集完一轮信息后，会主动思考"这些信息够了吗？还需要查什么？"然后决定是否继续搜索。

4. 多轮迭代 — 不是搜一次就完了。Agent 会循环"搜索 → 分析 → 反思 → 补充搜索"直到满意为止。

这个模式可以直接复制到任何需要"深度研究"的场景——竞品分析、技术调研、市场报告等。

Content Builder：内容创作 Agent

这个例子展示了 Deep Agents 的"技能 + 记忆 + 子代理"三件套怎么配合。

架构：

MERMAID_BLOCK_1

三个值得学的模式：

1. AGENTS.md 记忆 — Agent 会读取项目根目录的 AGENTS.md，里面定义了写作风格、目标受众、常用格式等。这意味着你不需要每次都重复这些指令。

2. 技能模块 — 写博客、LinkedIn 帖子、Tweet 是不同的技能（Skill）。每个技能有自己的 SKILL.md 描述文件，Agent 会根据用户需求选择合适的技能。

3. 图像生成子代理 — 专门的子代理负责生成配图。主 Agent 把文字内容写好后，委派子代理去生成图片。

这个模式非常适合内容创作团队——定义好 AGENTS.md 后，Agent 就能按照你的品牌风格自动生成内容。

Text-to-SQL：自然语言转 SQL

这个例子用 Chinook 示例数据库演示了自然语言查询。

亮点：

• Agent 会先用 read_file 读取数据库 schema
• 用 write_todos 规划查询步骤
• 生成的 SQL 会通过 execute 工具实际执行
• 结果以表格形式返回

它展示了 Deep Agents 的一个核心理念：Agent 不是一次性生成答案，而是有规划、有验证的多步过程。

用户: "哪个艺术家专辑卖得最多？"
Agent 的内部过程:
  1. [Todo] 读取数据库 schema
  2. [Todo] 分析需要的表和关联
  3. [Todo] 编写 SQL 查询
  4. [Todo] 执行查询验证结果
  5. [Todo] 格式化输出

Deploy 系列：4 种部署模式

Deep Agents 提供了 4 种部署示例，展示了怎么把 Agent 部署为服务：

deploy-coding-agent

自主编码 Agent + LangSmith 沙箱。Agent 在远程沙箱里写代码、跑测试、提交 PR。

deploy-content-writer

内容写作 Agent + 每用户记忆 + Supabase 认证。展示了怎么做多用户隔离——每个用户有自己的记忆空间。

deploy-mcp-docs-agent

文档研究 Agent + MCP 工具。用 MCP 协议搜索 LangChain 文档，展示了怎么集成外部工具服务。

deploy-gtm-agent

GTM 策略 Agent，同时协调同步和异步子代理。展示了 AsyncSubAgent 的用法——一些子任务可以并行异步执行，不需要等。

MERMAID_BLOCK_2

NVIDIA Deep Agent：GPU 加速 Agent

这个例子展示了 Deep Agents 的模型灵活性——用 NVIDIA Nemotron Super 做研究，用 GPU 加速的 RAPIDS 做数据处理。

关键设计：
- 多模型策略：不同任务用不同模型
- NVIDIA GPU 加速：数据分析任务用 RAPIDS 在 GPU 上跑
- 展示了 SubAgent 的 model 参数怎么让每个子代理用不同的 LLM

其他有趣的案例

async-subagent-server

自托管的 Agent Protocol 服务器，把一个 Deep Agents 研究者暴露为异步子代理，配合一个 supervisor REPL 使用。

ralph_mode

自主循环模式——Agent 用全新上下文开始每一轮迭代，用文件系统做持久化。适合需要长时间自主运行的场景。

repl_swarm

Skill 模块示例——一个 swarm 技能在 QuickJS REPL 内部并行调度子代理。

llm-wiki

脚本优先的 LLM 知识库，用 create_deep_agent + LangSmith Context Hub 同步知识。

downloading_agents

最简单的例子——展示 Agent 本质上就是一个文件夹。下载 zip，解压，直接跑。

better-harness

Eval 驱动的外循环优化——用评估结果来迭代优化 Agent 的 harness 配置。这是 Agent 工程化的重要方向。

如何选择适合你的模式

这 15 个示例覆盖了 Agent 开发的几乎所有模式。我建议你从 deep_research 和 text-to-sql 开始，这两个最直观地展示了 Deep Agents 的核心能力——规划和执行。

作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。

本文首发于 AI人工智能时代，转载请注明出处。