آشنایی با Deep Agents، کتابخانۀ متنباز LangChain برای ساختن ایجنتهایی که کارهای چندمرحلهای و طولانی را انجام میدهند، و اجرای آن روی مدلهای DaLAi.
Deep Agents (دیپ ایجنتس) کتابخانۀ متنباز پایتون از سازندگان LangChain برای ساختن ایجنت هوش مصنوعی است که کارهای پیچیده، چندمرحلهای و طولانی را انجام میدهد. سازندگانش آن را «مهار ایجنت» (agent harness) مینامند: بیشتر چیزهایی که یک ایجنت جدی لازم دارد، از برنامهریزی و فایل تا زیرایجنت، از ابتدا در آن هست و روی LangGraph اجرا میشود. نمونه کد این صفحه را روی DaLAi اجرا کردهایم.
ls، read_file، write_file و edit_file برای نوشتن یادداشت، پیشنویس و نتیجۀ کار، تا لازم نباشد همهچیز در متن گفتوگو بماند.task، ایجنت بخشی از کار را به یک زیرایجنت با زمینۀ جداگانه میسپارد و کارهای مستقل را همزمان پیش میبرد.LangGraph اجزای سطح پایین را میدهد و مسیر کار را خودتان میسازید؛ برای گردشکارهایی که باید دقیق کنترل شوند مناسب است. Deep Agents ایجنتی آماده است برای کارهای باز و طولانی که مسیرشان از پیش معلوم نیست، مثل پژوهش، نوشتن گزارش یا کار روی کد. هر دو را میشود کنار هم به کار برد: یک Deep Agent خودش یک گراف LangGraph است.
Deep Agents به پایتون 3.11 یا تازهتر نیاز دارد:
pip install -U deepagents langchain-openai
کلید DaLAi را در متغیر محیطی DALAI_API_KEY بگذارید، همانطور که در صفحۀ LangGraph آمده است.
این ایجنت برنامهای مینویسد و آن را در فایل ذخیره میکند:
import os
from langchain_openai import ChatOpenAI
from deepagents import create_deep_agent
model = ChatOpenAI(model="deepseek-v3-2", base_url="https://dalai.ir/v1", api_key=os.environ["DALAI_API_KEY"])
instructions = "تو یک دستیار پژوهشی هستی و پاسخ را به فارسی مینویسی."
agent = create_deep_agent(model=model, system_prompt=instructions)
task = "یک برنامۀ سهمرحلهای برای یادگیری LangGraph بنویس و آن را در فایل plan.md ذخیره کن."
result = agent.invoke({"messages": [{"role": "user", "content": task}]})
print(result["messages"][-1].content)
print(list(result.get("files", {})))
وقتی این کد را روی DaLAi اجرا کردیم، ایجنت برنامه را نوشت، ابزار write_file را صدا زد و فایل /plan.md را ساخت. این فایل روی دیسک شما نوشته نمیشود: در حالت ایجنت نگه داشته میشود و در result["files"] است. ابزارهای خودتان را با پارامتر tools به create_deep_agent بدهید، مثل ابزار count_letters در صفحۀ LangGraph.
در مستندات Deep Agents مدل اغلب با یک رشته داده میشود، مثل model="openai:...". با این رشته، کتابخانه درخواست را به مسیر Responses میفرستد که DaLAi پشتیبانی نمیکند و خطای ۴۰۰ برمیگردد؛ این را روی خود DaLAi آزمودهایم. همانطور که در نمونۀ بالا آمده، یک ChatOpenAI با base_url برابر https://dalai.ir/v1 بسازید و آن را به model بدهید.
ایجنتی که کار طولانی را خودش پیش میبرد، از مدل قویتر بیشترین سود را میبرد. claude-sonnet-4-5 یا claude-sonnet-4-6 انتخاب خوبی برای بیشتر کارهاست و claude-opus-4-6 برای سختترین کارها. deepseek-v3-2، که در نمونه آمده، ارزانتر است و برای کارهای سادهتر کافی است. فقط نام مدل را در ChatOpenAI عوض کنید. قیمت هر مدل در مدلها و قیمتها است.
یک کار ممکن است دهها درخواست به مدل بفرستد: برای برنامهریزی، برای هر بار خواندن و نوشتن فایل و برای هر زیرایجنت. پس هزینۀ یک کار طولانی از یک پرسش ساده خیلی بیشتر است. برای کلیدی که به ایجنت میدهید سقف اعتبار بگذارید و مصرف هر درخواست را در Usage Logs ببینید. اینکه موجودی چطور کم میشود در کیف پول، شارژ و صورتحساب آمده است.
Deep Agents رایگان است؟ بله. کتابخانهای متنباز با مجوز MIT است و هزینه فقط برای مدلهایی است که صدا میزنید.
فرقش با Claude Code چیست؟ Claude Code ابزاری آماده برای کدنویسی است. Deep Agents کتابخانهای است که با آن ایجنت خودتان را برای هر کاری میسازید. هر دو با کلید DaLAi کار میکنند؛ ببینید: Claude Code در ایران.
برای استفاده از Deep Agents در ایران تحریمشکن لازم است؟ درخواستهایی که ایجنت به مدل میفرستد به آدرس DaLAi میرود که در ایران است، پس برای آنها تحریمشکن، فیلترشکن یا VPN لازم نیست.
چطور دسترسی بگیرم؟ DaLAi در دورۀ راهاندازی آزمایشی است و ثبتنام با دعوتنامه انجام میشود. برای درخواست دسترسی به support@dalai.ir ایمیل بزنید.