AI agent ngày càng trở nên hữu ích hơn khi chúng vượt ra ngoài việc chỉ trả lời câu hỏi và bắt đầu xử lý các tác vụ từ đầu đến cuối. LangChain Deep Agents mang lại nhiều khả năng kiểm soát và linh hoạt hơn bằng cách giúp agent chia nhỏ công việc, sử dụng nhiều công cụ khác nhau, quản lý thông tin và điều phối các tác vụ nhỏ hơn. Điều này giúp việc tạo ra các agent có thể xử lý các luồng công việc thực tế trở nên dễ dàng hơn mà không cần hướng dẫn liên tục. Hãy cùng tìm hiểu cách LangChain Deep Agents hoạt động và những gì bạn có thể xây dựng với chúng.
LangChain Deep Agents là gì?
LangChain Deep Agents là một framework agent được xây dựng trên các thành phần cốt lõi của LangChain và runtime LangGraph. Chúng mở rộng các luồng làm việc agent tiêu chuẩn với các khả năng tích hợp sẵn như truy cập hệ thống file, phân giao cho subagent, lập kế hoạch, bộ nhớ và hỗ trợ có sự tham gia của con người. Deep Agents sử dụng một vòng lặp agent kết hợp suy luận, gọi công cụ và thực thi lặp lại, giúp chúng phù hợp với các tác vụ phức tạp đòi hỏi nhiều bước, lượng ngữ cảnh lớn và các luồng công việc cần phối hợp.
Khác với các agent cơ bản chủ yếu gọi công cụ trong một vòng lặp đơn giản, Deep Agents cung cấp thêm hạ tầng để xử lý các tác vụ chạy dài. Chúng có thể quản lý file, phân giao công việc cho các subagent chuyên biệt, duy trì ngữ cảnh xuyên suốt các luồng công việc phức tạp và cho phép con người can thiệp khi cần thiết. Những khả năng tích hợp sẵn này giúp giảm lượng công việc kỹ thuật tùy chỉnh cần thiết khi xây dựng các hệ thống agent nâng cao.
LangChain Deep Agents hoạt động như thế nào
Khi một Deep Agent nhận được một tác vụ, nó sẽ phân tích yêu cầu và lập kế hoạch các bước cần thiết để hoàn thành. Sau đó, nó sử dụng các công cụ có sẵn, như tìm kiếm, thực thi mã hoặc các thao tác trên hệ thống file, để thu thập thông tin và thực hiện hành động.
Trong quá trình thực thi, Deep Agents quản lý ngữ cảnh bằng cách đọc và ghi file. Thay vì giữ toàn bộ kết quả trung gian trong lịch sử hội thoại, chúng có thể lưu trữ lượng lớn thông tin ở bên ngoài và truy xuất lại khi cần. Cách làm này giúp agent xử lý các luồng công việc dài hơn, đồng thời giảm các hạn chế do kích thước cửa sổ ngữ cảnh gây ra.
Đối với các tác vụ phức tạp liên quan đến nhiều lĩnh vực công việc khác nhau, Deep Agents có thể phân giao các tác vụ con cụ thể cho các subagent chuyên biệt. Mỗi subagent tập trung vào một mục tiêu xác định và trả về kết quả liên quan cho agent chính. Sau đó, agent chính kết hợp đầu ra của các subagent, thông tin đã thu thập và các file đã lưu trữ để tạo ra một câu trả lời đầy đủ, mạch lạc.
Với các tính năng như lập kế hoạch, sử dụng công cụ, quản lý hệ thống file, phối hợp giữa các subagent và giám sát của con người, LangChain Deep Agents tạo nền tảng để xây dựng các hệ thống AI có khả năng cao hơn, có thể xử lý các tác vụ nhiều bước trong thực tế.
Các khả năng cốt lõi của Deep Agents: Lập kế hoạch, công cụ và thực thi
Deep Agents có thể xử lý các tác vụ đòi hỏi nhiều bước, quyết định và hành động. Các tính năng cốt lõi giúp chúng lập kế hoạch công việc, sử dụng đúng công cụ và hoàn thành từng bước hiệu quả với ít công sức thao tác thủ công hơn. Hãy cùng xem xét chi tiết các khả năng này:
Lập kế hoạch tác vụ
Lập kế hoạch tác vụ cho phép agent tạo và quản lý một danh sách tác vụ có cấu trúc trong suốt quá trình thực thi. Thay vì xử lý một mục tiêu phức tạp như một chỉ dẫn duy nhất, agent có thể chia nhỏ nó thành các bước nhỏ hơn, theo dõi tiến trình và cập nhật trạng thái tác vụ trong suốt luồng công việc.
Khi nào nên dùng lập kế hoạch
Các tác vụ dài hoặc phức tạp gồm nhiều bước
Các tác vụ được lợi từ việc theo dõi tiến trình rõ ràng và thực thi có cấu trúc
Các giao diện hiển thị tiến trình theo thời gian thực từ trạng thái agent
Cách bật tính năng này
Truyền TodoListMiddleware vào tham số middleware. Việc này cung cấp cho agent một công cụ write_todos để duy trì danh sách công việc có cấu trúc kèm theo dõi trạng thái (pending, in_progress, completed).
from deepagents import create_deep_agent
from deepagents.middleware import TodoListMiddleware
agent = create_deep_agent(
model="your-model",
middleware=[TodoListMiddleware()],
)Các nhiệm vụ được lưu trữ trong trạng thái của agent, mang lại cho agent một lớp lập kế hoạch gọn nhẹ để tổ chức các công việc chạy dài.
Công cụ hệ thống file ảo
Deep Agents cung cấp một hệ thống file ảo có thể cấu hình, được hỗ trợ bởi các backend có thể tùy chỉnh: trạng thái trong bộ nhớ, đĩa cục bộ, LangGraph store, định tuyến kết hợp, hoặc các backend tùy chỉnh với quy tắc quyền truy cập.
Công cụ hệ thống file có sẵn
| Công cụ | Mô tả |
|---|---|
ls | Liệt kê các file trong một thư mục kèm thông tin bổ sung (kích thước, thời gian sửa đổi) |
read_file | Đọc nội dung file kèm số dòng; hỗ trợ offset/limit cho các file lớn; đồng thời trả về các khối nội dung đa phương thức cho hình ảnh, video, âm thanh và tài liệu |
write_file | Tạo một file mới hoặc ghi đè lên file đã có |
edit_file | Thực hiện thay thế chuỗi chính xác trong các file (có chế độ thay thế toàn bộ) |
delete | Xóa một file hoặc thư mục theo cách đệ quy |
glob | Tìm các file khớp với mẫu (ví dụ: **/*.py) |
grep | Tìm kiếm nội dung file với nhiều chế độ hiển thị kết quả |
execute | Chạy các lệnh shell trong môi trường (chỉ áp dụng với các backend dạng sandbox) |
Các phần mở rộng đa phương thức được hỗ trợ
Hình ảnh:
.png,.jpg,.jpeg,.gif,.webp,.heic,.heifVideo:
.mp4,.mpeg,.mov,.avi,.flv,.mpg,.webm,.wmv,.3gppÂm thanh:
.wav,.mp3,.aiff,.aac,.ogg,.flacTài liệu:
.pdf,.ppt,.pptx
Quyền truy cập hệ thống file
Harness hỗ trợ các quy tắc phân quyền khai báo (declarative) để kiểm soát những tệp và thư mục mà agent được phép đọc hoặc ghi. Các quy tắc được đánh giá từ trên xuống dưới, theo nguyên tắc quy tắc khớp đầu tiên sẽ được áp dụng.
from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)Nhờ đó bạn có thể giới hạn agent chỉ trong các thư mục cụ thể, bảo vệ các tệp nhạy cảm, và cấp cho subagent quyền truy cập hẹp hơn so với agent cha.
Hạn chế quyền truy cập công cụ
Bạn có thể chỉ hiển thị một tập con các công cụ hệ thống tệp bằng cách truyền danh sách cho phép (allowlist) tools vào FilesystemMiddleware. read_file luôn phải được bao gồm.
from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)Subagent (Ủy quyền)
Harness đi kèm sẵn công cụ task cho phép agent chính tạo ra các subagent tạm thời, dùng cho các tác vụ độc lập, chạy dài, nhiều bước hoặc chạy song song.
Đặc điểm chính
Context mới: Mỗi lần gọi tạo ra một instance agent mới với context riêng của nó
Thực thi độc lập: Subagent chạy độc lập cho đến khi hoàn thành
Bàn giao một lần: Nó trả về một báo cáo cuối cùng duy nhất cho agent chính
Chiến lược có thể cấu hình: Sử dụng subagent
general-purposemặc định hoặc định nghĩa các subagent tùy chỉnhHiệu quả về context: Công việc nặng của tác vụ con được giữ tách biệt và được cô đọng thành một kết quả gọn gàng
Tắt subagent
Để chạy một agent không sử dụng công cụ task, hãy tắt subagent được tự động thêm vào thông qua profile của harness và không truyền subagent đồng bộ nào qua subagents=. Không nên cố gỡ SubAgentMiddleware thông qua excluded_middleware — điều này bị chặn có chủ đích.
Khả năng gọi công cụ
Deep Agents hỗ trợ ba nhóm công cụ:
Hàm tùy chỉnh & công cụ LangChain
Truyền các hàm tùy chỉnh hoặc công cụ LangChain trực tiếp thông qua tham số tools=:
MCP (Model Context Protocol)
Deep Agents hỗ trợ đầy đủ MCP, cho phép bạn kết nối với cơ sở dữ liệu, API, hệ thống tệp và nhiều hơn nữa thông qua một giao diện chuẩn.
Thực thi mã
Backend sandbox: Cung cấp công cụ
executeđể chạy các lệnh shell trong một môi trường cách lyTrình diễn giải (Interpreter): Thêm công cụ
evalđể chạy JavaScript trong một runtime QuickJS giới hạn phạm vi, dùng cho các lớp có thể lập trình nhẹ
Khi các khả năng này kết hợp lại với nhau, mô hình ngôn ngữ vận hành agent trở thành một phần quan trọng của toàn bộ thiết lập. Một mô hình đủ năng lực có thể giúp Deep Agents hiểu hướng dẫn, suy luận qua các tác vụ, và sử dụng tốt hơn các công cụ có sẵn. Kimi API có thể đảm nhận vai trò mô hình này, trở thành bước tiếp theo tự nhiên để xây dựng các quy trình Deep Agent có năng lực cao hơn.
Kết nối Kimi API với LangChain Deep Agents trong 6 bước
Một mô hình đủ năng lực mang lại cho Deep Agent của bạn khả năng hiểu ngôn ngữ và suy luận cần thiết để xử lý tác vụ hiệu quả. Kimi API có thể cung cấp các khả năng này trong khi agent làm việc với công cụ, quản lý tác vụ và xử lý các hướng dẫn phức tạp. Khi lớp mô hình đã sẵn sàng, việc thiết lập có thể tiếp tục một cách tự nhiên bằng cách kết nối Kimi API với LangChain Agents. Dưới đây là cách bạn có thể kết nối Kimi API với LangChain Deep Agents:
Bước 1: Lấy Kimi API Key của bạn
Đăng nhập vào Kimi API platform và tạo một API key mới. Sao chép và lưu lại key này ở nơi an toàn, vì bạn sẽ cần thêm nó vào thiết lập Deep Agents của mình. API key này xác thực các yêu cầu của bạn và cho phép Deep Agents của LangChain truy cập các mô hình Kimi thông qua API.
Bước 2: Thiết lập các biến môi trường
Đặt khóa API Kimi của bạn làm biến môi trường. Kimi API sử dụng endpoint của Moonshot API, vì vậy hãy cấu hình biến sau:
export MOONSHOT_API_KEY="your-api-key-here"export MOONSHOT_API_KEY="your-api-key-here"URL gốc của API là:
https://api.moonshot.ai/v1https://api.moonshot.ai/v1Bước 3: Cài đặt các dependency
Cài đặt Deep Agents và các dependency LangChain cần thiết:
pip install deepagents langchain-openai
``````bash
pip install deepagents langchain-openaiVì Kimi API tương thích với OpenAI, langchain-openai cho phép LangChain kết nối với các mô hình Kimi thông qua giao diện tương thích OpenAI.
Nếu bạn muốn thêm khả năng tìm kiếm web cho Deep Agent của mình, bạn có thể cài đặt thêm Tavily (không bắt buộc):
pip install tavily-pythonpip install tavily-pythonSau khi tạo khóa API Tavily từ nền tảng Tavily, hãy đặt nó làm biến môi trường:
export TAVILY_API_KEY="your-tavily-api-key"export TAVILY_API_KEY="your-tavily-api-key"Bạn chỉ cần Tavily nếu định thêm các công cụ tìm kiếm web cho agent của mình.
Bước 4: Cấu hình Deep Agent với Kimi API
Vì Kimi API tương thích với định dạng OpenAI API, bạn có thể kết nối nó với LangChain Deep Agents thông qua init_chat_model.
Ví dụ sau đây tạo một Deep Agent cơ bản chạy trên Kimi. Bạn có thể mở rộng thêm với các công cụ như tìm kiếm web nếu muốn.
Deep Agent cơ bản chạy trên Kimi
Thêm khả năng tìm kiếm web (không bắt buộc)
Để bật tìm kiếm web, hãy kết nối một công cụ tìm kiếm như Tavily:
Với cấu hình này, Deep Agents có thể sử dụng Kimi làm mô hình suy luận đồng thời truy cập khả năng tìm kiếm bên ngoài thông qua Tavily.
Bước 5: Chạy Deep Agent chạy trên Kimi của bạn
Sau khi Deep Agent của bạn được cấu hình với Kimi, hãy chạy agent để kiểm tra cách nó xử lý các nhiệm vụ và lệnh gọi công cụ.
result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)Bước 6: Bật theo dõi (tracing) LangSmith (không bắt buộc)
Theo dõi LangSmith giúp bạn giám sát quá trình thực thi của agent, bao gồm các lệnh gọi công cụ, các bước trung gian và phản hồi của mô hình.
Bật theo dõi bằng các biến môi trường sau:
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"Hãy dùng LangSmith khi bạn cần khả năng quan sát sâu hơn về luồng hoạt động của agent, gỡ lỗi hoặc phân tích hiệu suất.
Lợi ích của việc sử dụng Kimi API
Kết nối Kimi API với Deep Agents có thể giúp các luồng công việc phức tạp trở nên mạnh mẽ hơn và dễ quản lý hơn. Sự kết hợp này mang lại khả năng suy luận mạnh hơn cho agent, đồng thời cho phép chúng sử dụng công cụ, xử lý file và xử lý nhiều nhiệm vụ. Hãy cùng xem những lợi ích chính mà thiết lập này có thể mang lại:
Cải thiện khả năng suy luận và thực thi nhiệm vụ của agent
Các mô hình Kimi cung cấp khả năng hiểu ngôn ngữ và suy luận mạnh, giúp Deep Agents phân tích các chỉ dẫn phức tạp, chia nhỏ nhiệm vụ và tạo ra các phản hồi chính xác hơn. Điều này cho phép agent xử lý các luồng công việc nhiều bước hiệu quả hơn với ít hướng dẫn thủ công hơn.
Xây dựng các luồng công việc AI mạnh mẽ hơn
Khi kết nối Kimi API với Deep Agents, các nhà phát triển có thể kết hợp khả năng của mô hình Kimi với các công cụ, hệ thống file và các tích hợp bên ngoài được LangChain hỗ trợ. Điều này cho phép agent thực hiện các nhiệm vụ như nghiên cứu, xử lý tài liệu, phân tích mã và xử lý dữ liệu trong một luồng công việc thống nhất.
Mở rộng quy mô các nhiệm vụ phức tạp với agent tự động
Các Deep Agent chạy trên Kimi có thể quản lý các nhiệm vụ kéo dài bằng cách lập kế hoạch, sử dụng công cụ và giao việc phụ khi cần. Điều này giúp việc xây dựng các ứng dụng AI có thể hoàn thành các luồng công việc phức tạp trở nên dễ dàng hơn, đồng thời giảm bớt các thao tác thủ công lặp lại.
Kết luận
Xây dựng các AI agent đáng tin cậy bắt đầu bằng việc chọn đúng nền tảng cho các quy trình làm việc phức tạp. LangChain Deep Agents cung cấp các công cụ và cấu trúc cần thiết để tạo ra các agent có thể lập kế hoạch, sử dụng công cụ, quản lý ngữ cảnh và xử lý các tác vụ nhiều bước với ít công sức thủ công hơn. Với đúng model và cấu hình phù hợp, các nhà phát triển có thể biến những ý tưởng agent phức tạp thành ứng dụng thực tế. Bằng cách tích hợp Kimi API, bạn có thể nâng cao hơn nữa các quy trình Deep Agent của mình với khả năng suy luận mạnh mẽ và xử lý ngữ cảnh dài. Hãy bắt đầu khám phá Kimi API và tìm hiểu những gì bạn có thể xây dựng với AI agent.