DeepAgents的靈感源自 LangChain deepagents，但在設計上更做減法，它強調類型安全且內置了 Docker 沙箱

2025 年的Autonomous AI Agents早就不是實驗室裏的花架子了。在現實世界的自動化流程、代碼生成工具、數據管道以及各類智能助手中都能看到它們的身影。

現在的很多主流 Agent 框架越來越重。為了用上 Agent，你往往得引入一堆沉重的依賴，面對複雜的圖結構（Graphs），還得學完陡峭的學習曲線。想把這些東西真正部署到生產環境，確實挺折騰。

Vstorm 開發 Pydantic-DeepAgents 是一個極簡但功能並不弱的開源框架，它的思路很清晰：在 Pydantic-AI 的基礎上進行擴展，只提供構建可靠、生產級 Agent 真正需要的東西。

為什麼還要造一個輪子？

其實這個項目的靈感直接來源於 LangChain 的 deepagents項目。那個項目對“Deep Agent”模式的實現——包括規劃循環（Planning loops）、工具調用、子智能體委託（Subagent delegation）以及 Human-in-the-loop（人機協同）等等功能都設計得很好。

但與其説是重新造輪子，不如反問一個問題：如果完全在 Pydantic-AI 的生態裏實現這些強大的模式，體驗會不會更好？

所以Pydantic-DeepAgents 就來了：它是真的輕量級，沒有引入 LangGraph 這種龐大的生態；反而充分利用了 Pydantic 原生的類型安全來做結構化輸出；同時它把很多同類競品缺失的生產級特性給補齊了。

核心能力拆解

這個框架在功能設計上很務實。

在規劃與推理方面，它通過

TodoToolset

來實現自主的任務拆解和自我修正。對於文件系統的操作權限是完整的並且通過

FilesystemToolset

可以進行讀寫操作。如果遇到複雜的任務還支持通過

SubAgentToolset

將任務委託給專門的子智能體去處理。

特別值得一提的是它的技能系統，你只需要寫簡單的 Markdown 提示詞就能定義新的 Agent 能力，這一點對於快速迭代原型非常友好。

在後端支持上除了內存和本地文件系統它還支持 DockerSandbox，這一點對於需要隔離執行代碼的場景至關重要，而且它也支持混合後端（CompositeBackend）。

文件處理的流程也很順滑，無論是通過

run_with_files()

還是

deps.upload_file()

都能無縫處理上傳文件。對於長對話，它內置了上下文管理能自動進行摘要總結。

針對生產環境的交互需求，它內置了Human-in-the-loop 機制，關鍵操作可以配置人工確認工作流。支持逐 Token 的流式輸出，方便構建響應迅速的前端 UI，基於 Pydantic 模型定義的

output_type

保證了輸出的結構化和類型安全。

技術選型

官方倉庫裏直接給了一套全棧 Demo（FastAPI 後端 + 流式 Web UI）。跑起來能看到 Agent 的完整思考過程（Reasoning traces），包括文件上傳處理、人工審批步驟以及流式響應的效果，代碼本身很有參考價值。

什麼情況下該考慮用它？

如果你受夠了臃腫的框架，想要個乾淨、好維護的 Agent 架構，或者你對數據驗證有強迫症，需要強類型的響應保證，那這個框架很適合。特別是它自帶 Docker 沙箱在安全性上有天然優勢。

對於原本就在用 Pydantic-AI 的開發者，或者需要 Agent 安全地操作文件和外部工具的場景，Pydantic-DeepAgents 基本就是無縫銜接的選擇。

快速上手

安裝非常簡單：

 pip install pydantic-deep

總結

在 Agent 落地過程中，我們往往容易陷入過度設計的陷阱。Pydantic-DeepAgents 給出了答案：有時候嚴格的類型安全加上一個乾淨的 Docker 容器，遠比一張錯綜複雜的有向無環圖（DAG）要好維護得多。 如果你也認同這種“做減法”的工程美學，或者正苦於現有框架的臃腫，不妨試試這個方案。

https://avoid.overfit.cn/post/e9c1b806f00d48e3bfa52abd857fcb5c

作者：Kacperwlodarczyk