Deep Agents Context Engineering 学习路线

学习主题

这部分学习 Deep Agents 的 context engineering：把正确的信息、工具和持久化位置放到正确的上下文层里，让 Agent 长任务里不迷路、不爆上下文、不把用户隔离搞穿。

艹，先分清楚：context engineering 不是“把所有资料塞进 prompt”。真正要学的是哪些信息启动时加载，哪些运行时传入，哪些交给 state、filesystem、subagent 或 long-term memory 管。

课程大纲

01 Input context：启动时上下文

目标：理解 system_prompt、memory、skills 和 tool metadata 怎么进入 Agent 的启动上下文。

02 Runtime context：每次调用的静态配置

目标：理解 context_schema 和 invoke(..., context=...) 适合传 user_id、role、API key 这类每轮固定信息。

03 Custom state schema：可变图状态

目标：理解 state_schema 适合保存 Agent 生命周期内会变化、要 checkpoint 的数据。

04 Context compression：自动压缩与手动 compact

目标：理解 Deep Agents 内置 offloading 和 summarization，并学会给 Agent 加 compact_conversation 工具。

05 Subagents：上下文隔离

目标：理解重活交给 subagent 后，主 Agent 只拿最终总结，避免工具日志把主上下文撑爆。

06 综合案例：长期记忆

目标：把 CompositeBackend、StoreBackend、/memories/ 和系统提示词串起来，理解跨 thread 持久化信息放哪里。

推荐学习顺序

1. 先学 Input context，知道什么东西一启动就进 prompt。
2. 再学 Runtime context 和 State，别把静态配置和可变状态混成一锅。
3. 然后学 compression 和 subagent，解决长任务上下文膨胀。
4. 最后学 long-term memory，把跨会话信息落到 /memories/。

本地版本

• deepagents==0.6.12
• 示例通过本目录 _model.py 复用项目已有 deepagent_src.llms.get_gpt_model()，会执行真实 Agent 调用。
• 示例通过 deepagent_src.agent_output.invoke_and_pretty_print() 打印完整消息链，能看到用户消息、AI 消息、工具调用和工具结果。
• 运行前需要配置真实模型环境变量：CHATGPT_API_KEY 和 CHATGPT_API_URL。
• 官方资料来源：https://docs.langchain.com/oss/python/deepagents/context-engineering

当前章节

• 01 Input context：启动时上下文
• 02 Runtime context：每次调用的静态配置
• 03 Custom state schema：可变图状态
• 04 Context compression：自动压缩与手动 compact
• 05 Subagents：上下文隔离
• 06 综合案例：长期记忆