彻底解决上下文膨胀？用LangChain 的 Deep Agents + Skills构建高效的多智能体应用

你有没有过这种感受就是在给 AI 下达一系列执行任务或者在使用claude、gemini写代码的时候会发现AI思考轮次越多AI变的越笨了 随着任务越来越复杂AI的脑子好像开始变得“不太好使”了开始在无关的细节里打转甚至忘了最开始你给它定的目标是啥这就是典型的Context Bloat上下文膨胀导致的问题。什么是 Context Bloat上下文膨胀上下文膨胀指的是当大型语言模型在其输入上下文窗口中被过载、无关或冗余信息时性能下降和成本增加。比如你要写个爬取资讯的工具agent A搜索网页产生一堆 HTML 噪音。agent B解析内容又是一堆 Token。agent C报错调试错误日志占满屏幕。等到最后要写代码时上下文里全是垃圾信息真正有用的逻辑被挤到了角落。而LangChain 前一段发布的 Deep Agents就是通过子智能体进行角色解耦实现上下文的隔离以解决多智能体开发中最让人头疼的Context Bloat上下文膨胀问题。Deep Agents引入了两个核心机制其中Subagents子智能体来隔离上下文Skills来按需加载工具 Prompt下我们就来结合实际例子看一下这两个模块怎么搭配使用。传统模式 vs Deep Agents 模式传统模式一把梭一个 Agent 从头干到尾。搜索网页 - 失败 - 重试 - 分析 - 写代码。后果主线程里堆满了“尝试连接失败”、“页面 404”这种垃圾信息。到了最后一步要写代码时Token 已经快爆了模型注意力分散写出的代码质量极差。Deep Agents 模式老板打工人Deep Agents 的核心逻辑其实就是模拟人类的高效工作流主要由两个概念组成1. Subagents上下文隔离以前我们写 Agent是一个大循环跑到底。现在Deep Agents 允许你定义子智能体Subagents子智能体可以在它自己的沙盒里进行 20 次搜索、翻阅 50 个网页。等它折腾完了只把最终结论返回给主智能体。原理主智能体Main Agent像是项目经理当遇到“去查阅文档”这种脏活累活时它会丢给“调研子智能体”去干。关键点子智能体有自己独立的上下文窗口它在里面哪怕进行了 50 次网页搜索最后只把“总结报告”返回给主智能体。好处主智能体的上下文永远是干净的不会被中间过程的噪音污染始终保持“高智商”在线。2. Skills渐进式能力加载没错就是那个现在火的一塌糊涂的SKILL.mdDeep Agents也支持skill的定义再不用像以前一样把几十个工具的定义和一大堆 Prompt 全部塞进 System Prompt 里从头用到尾了。原理它引入了SKILL.md文件。Agent 一开始只知道技能的名字和简介比如“部署代码”。按需加载只有当 Agent 真的决定要用这个技能时它才会去读取文件里的详细步骤。好处省 Token而且维护极其方便。想修改部署流程改 markdown 文件就行不用动代码。在Multi-Agent项目中使用这里我们设计组建一个迷你的 “量化投资团队”这个团队的目标很简单当用户输入“分析一下英伟达”时整个Agent团队需要自动分工完成资讯收集、指标计算最后过风控告诉用户能不能买。第一步定义技能Skill量化交易最讲究纪律。我们将“分析一只股票的标准作业程序”写进 SKILL.md。文件路径.deepagents/skills/finance/SKILL.md---name: stock_analysis_pipelinedescription: 执行股票分析的标准作业流程tags: [finance, trading]---# 股票分析标准作业程序 (SOP)当接收到分析某只股票Ticker的指令时必须按顺序执行以下步骤1. **搜集情报**调用 search_news 获取该股票最近 24 小时的关键利好/利空消息。2. **计算指标**调用 calculate_indicators 获取当前的 RSI 和 MACD 信号。3. **风控审查**基于情报和指标询问风控官Risk Agent是否允许开仓。4. **最终决策**综合上述信息输出简短的交易建议Buy/Sell/Hold。第二步组建 Agent 团队我们要招聘三个不同的“专家”子智能体并把它们塞进主智能体里资讯员 (News Scout)负责联网查实时新闻、基本面等相关信息。量化员 (Quant Analyst)负责计算各种指标因子。风控官 (Risk Officer)负责决策前的风险控制。定义工具 (Tools)from deepagents import create_deep_agentfrom deepagents.backends import FilesystemBackend# 模拟联网搜索和计算工具def search_news(ticker: str): 搜索最近的市场新闻 return fFound 3 articles for {ticker}: CEO speaks about AI demand; Earnings beat expectations.def calculate_indicators(ticker: str): 计算技术指标 return {RSI: 65, MA_200: Bullish Trend}定义子智能体 (Subagents)# 子智能体 A: 资讯员 - 专门负责看新闻防止主Agent被海量文本淹没news_agent { name: info_researcher, description: 负责搜索互联网新闻和市场舆情。, tools: [search_news]}# 子智能体 B: 量化员 - 专门负责计算quant_agent { name: math_wizard, description: 负责计算技术指标处理数字逻辑。, tools: [calculate_indicators]}# 子智能体 C: 风控官 - 专门负责审核风险risk_agent { name: risk_manager, description: 负责风险控制。如果RSI超过80或有重大利空必须拒绝交易。, system_prompt: 你是一个保守的风控官宁可错过不可做错。, model: openai:gpt-4o}创建主智能体 (Main Agent)agent create_deep_agent( modelclaude-sonnet-4-5-20250929, # 将三个打工人都加进来 subagents[news_agent, quant_agent, risk_agent], # 挂载技能库让大家知道干活的流程 backendFilesystemBackend(root_dir./), skills[.deepagents/skills/finance], )# --- 4. 跑起来 ---print( 量化投研团队已就位...\n)# 用户只给一个模糊指令Deep Agents 会根据 SOP 自动调度三个子智能体user_input 帮我分析一下 NVDA (英伟达) 现在能不能买response agent.invoke({messages: [{role: user, content: user_input}]})# 预期流程# 1. 主Agent 读取 Skill - 派 info_researcher 查新闻# 2. 派 math_wizard 算指标# 3. 派 risk_manager 结合前两者的结果做审查# 4. 主Agent 汇总输出print(f\n 投研报告:\n{response.content})当你运行这段代码时Deep Agents 的内部流转是这样的我的思考与吐槽玩了两天我有几个很直观的感受**这不就是“微服务”架构吗**以前搞 Agent 像是在写单体应用所有逻辑塞一坨。Deep Agents 的 Subagents 模式实际上是把复杂任务拆解成了微服务。主 Agent 做网关和路由Subagent 做具体业务。结合SKILL.md确实很方便比如风控规则变了RSI 80 改成 85只需要修改 SKILL.md用户甚至不需要懂 Python 代码通过文字就能理解 AI 的操作手册。这比把工具 Prompt 写死在代码里方便太多了。坑点预警虽然隔离了上下文但子智能体的划分需要很有经验。如果拆得太细Agent 之间来回“踢皮球”会增加延迟如果拆得太粗又起不到隔离上下文的作用。这块还得在实战中多磨合。总的来说Deep Agents 并没有搞什么花里胡哨的新算法而是用工程化的手段解决了 LLM 应用落地的痛点。如果你正在被 Token 限制和模型“变笨”折磨强烈建议试一试这套 Subagent Skills 的组合。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】