【Python大语言模型系列】LangChain 中 Deep Agent 与 SKILL 的集成实践:学术论文搜索智能体(案例+源码)
- 2026-10-11 07:29:10
这是我的第467篇原创文章。
『数据杂坛』以Python语言为核心，垂直于数据科学领域，专注于（可戳👉）Python程序设计|数据分析|特征工程|机器学习分类|机器学习回归|深度学习分类|深度学习回归|单变量时序预测|多变量时序预测|语音识别|图像识别|自然语音处理|大语言模型|软件设计开发等技术栈交流学习，涵盖数据挖掘、计算机视觉、自然语言处理等应用领域。（文末有惊喜福利）
一、引言
Deep Agent 是什么？
Deep Agent 是 LangChain 团队推出的一个高级智能体运行框架，主要用来解决老式 Agent 在面对长时间、复杂任务时容易出错或者卡住的问题，它具备自动规划、本地存取中间数据、调用子智能体以及通过中间件扩展功能等核心能力。
SKILL 是什么？
SKILL 是一种轻量级的功能扩展方式，想法来自 Anthropic 的工具设计理念，每个 SKILL 通常由两部分组成：一个是叫 SKILL.md 的描述文件，用 YAML 格式写清楚这个技能叫什么、能干啥、需要什么输入、返回什么结果；另一个是具体的执行脚本（比如 arxiv_search.py），里面是一个真正的 Python 函数，负责完成实际工作。Agent 会通过 SkillsMiddleware 自动扫描指定目录，发现这些技能并加载它们，在需要时直接调用，完全不用在代码里硬编码工具列表。
deepagents.create_deep_agent
create_deep_agent(model: str | BaseChatModel | None = None,tools: Sequence[BaseTool | Callable | dict[str, Any]] | None = None,system_prompt: str | SystemMessage | None = None,middleware: Sequence[AgentMiddleware] = (),subagents: Sequence[SubAgent | CompiledSubAgent | AsyncSubAgent] | None = None,skills: list[str] | None = None,memory: list[str] | None = None,permissions: list[FilesystemPermission] | None = None,backend: BackendProtocol | BackendFactory | None = None,interrupt_on: dict[str, bool | InterruptOnConfig] | None = None,response_format: ResponseFormat[ResponseT] | type[ResponseT] | dict[str, Any] | None = None,context_schema: type[ContextT] | None = None,checkpointer: Checkpointer | None = None,store: BaseStore | None = None,debug: bool = False,name: str | None = None,cache: BaseCache | None = None,) -> CompiledGraph
二、实现过程
2.1 第一步：安装依赖
先在命令行运行下面这行命令，把需要的包都装好：
pip install langchain-core langchain langchain-community deepagents2.2 第二步：写一个 SKILL
我们拿“在 ArXiv 上搜索学术论文”当例子，在项目根目录下新建一个文件夹 skills/arxiv-search/，然后在里面放两个文件：
首先是 SKILL.md，注意这里必须用 YAML frontmatter 格式，不能写成表格：
---name: arxiv_searchdescription: 用关键词在 ArXiv 上找最新的学术论文parameters:- name: querytype: stringdescription: 搜索用的关键词output: 返回包含标题、摘要和链接的论文列表---
然后是 arxiv_search.py，这是真正干活的代码：
from arxiv import Searchdef arxiv_search(query: str):search = Search(query=query, max_results=3, sort_by="relevance")results = []for r in search.results():results.append({"title": r.title,"summary": r.summary,"url": r.entry_id})return results
2.3 第三步：创建 Deep Agent 并加载 SKILL
接下来写主程序，先初始化大模型（比如用通义千问的 Qwen），再创建 Agent 并告诉它去哪找技能：
from deepagents import create_deep_agentfrom langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessagemodel = ChatOpenAI(model="deepseek-chat",api_key="sk-xxxxxxxxxxxxxxxx",base_url="https://api.deepseek.com/v1",)agent = create_deep_agent(model=model,skills=["./skills"], # 指向刚才建的技能文件夹system_prompt="你是一个科研助理，能帮用户找最新的学术论文。")
⚠️ 注意：如果不同路径下有名字一样的 SKILL，后面加载的那个会把前面的盖掉。
2.4 第四步：运行 Agent
最后调用它试试看：
response = agent.invoke({"messages": [HumanMessage(content="帮我找三篇关于 LangChain Deep Agents 的最新论文")]})print(response["messages"][-1].content)
这时候 Agent 会先理解你的请求，然后从 ./skills 目录里找到 arxiv_search 这个技能，自动调用对应的函数去 ArXiv 搜论文，再把结果整理成一段人话返回给你。
问题一：技能没被加载
最常见的原因是 SKILL.md 文件格式不对，比如用了 Markdown 表格而不是 YAML。解决办法很简单：确保文件开头和结尾都是三个短横线 ---，中间内容是合法的 YAML。
问题二：调用技能时报错
这通常是因为函数的参数名字或类型跟 SKILL.md 里写的不一致，或者缺少必要的第三方库。建议你先把脚本单独跑一遍，确认没问题再集成进 Agent。
解决方案：
可以把不同用途的 SKILL 分门别类放在不同子文件夹里，比如 web-tools/ 放网络相关功能，email-utils/ 放发邮件的工具；同时配合 LangSmith 查看每一步的执行记录，方便排查问题；如果任务特别复杂，可以让主 Agent 调度多个 SKILL 和子 Agent 一起协作完成。
三、小结
LangChain 的 Deep Agent 配合 SKILL 机制，提供了一种简单、灵活又容易复用的智能体开发方式，只要你把具体功能打包成标准技能，就能让 Agent 自动学会新本事，不仅提升了解决问题的能力，也让团队合作变得更顺畅。
建立CNN与Transformer融合模型实现单变量时序预测（案例+源码）
建立Transformer-LSTM-TCN-XGBoost融合模型多变量时序预测（源码）
利用SHAP进行特征重要性分析-决策树模型为例（案例+源码）
梯度提升集成：LightGBM与XGBoost组合预测油耗（案例+源码）
一文教你建立随机森林-贝叶斯优化模型预测房价（案例+源码）
建立随机森林模型预测心脏疾病（完整实现过程）
建立CNN模型实现猫狗图像分类（案例+源码）
使用LSTM模型进行文本情感分析（案例+源码）
基于Flask将深度学习模型部署到web应用上（完整案例）
新版Dify 开发自定义工具插件在工作流中直接调用（完整步骤）
作者简介：
读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历不定期持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。
致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。
1、关注下方公众号，点击“领资料”即可免费领取电子资料书籍。
2、文章底部点击喜欢作者即可联系作者获取相关数据集和源码。
3、数据算法方向论文指导或就业指导，点击“联系我”添加作者微信直接交流。
4、有商务合作相关意向，点击“联系我”添加作者微信直接交流。
