deepagents-python-quickstart
/deepagents-python-quickstart
Tworzy minimalnego lokalnego agenta Deep Agent w Pythonie według oficjalnego quickstartu, z natywnym wyszukiwaniem w sieci dostawcy zamiast Tavily.
- Autor
- langchain-ai ↗
- Repozytorium
- langchain-skills ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 26.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 1
Brak sygnałów. Repozytorium zmienione 26.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Tworzy minimalnego lokalnego agenta Deep Agent w Pythonie według oficjalnego quickstartu, z natywnym wyszukiwaniem w sieci dostawcy zamiast Tavily.
Oryginalny opis (EN)
Scaffold a minimal local Deep Agent in Python by following the official quickstart, using provider-native web search instead of Tavily. Use when the user wants to quickly build or try a Deep Agent locally.
Jak działa
- Local setup constraints
Podgląd SKILL.md
---
name: deepagents-python-quickstart
description: "Scaffold a minimal local Deep Agent in Python by following the official quickstart, using provider-native web search instead of Tavily. Use when the user wants to quickly build or try a Deep Agent locally."
---
# Deep Agents Python quickstart
Follow the live docs — do not invent an alternate API from memory:
**https://docs.langchain.com/oss/python/deepagents/quickstart**
Fetch that page (Docs MCP or HTTP) and implement the research-agent shape it shows (`create_deep_agent`, research system prompt, invoke with a research question like “What is LangGraph?”).
## Local setup constraints
Apply these on top of the quickstart (they keep setup minimal and model-agnostic):
1. **Ask** which provider/model to use. Showcase that Deep Agents are model-agnostic. Suggested prompt:
> Which model should this agent use? Pass a `provider:model` string — e.g. `openai:gpt-5.5`, `anthropic:claude-sonnet-5`, `google_genai:gemini-3.5-flash`. Default if you're unsure: **`anthropic:claude-sonnet-5`**.
> We'll use that provider's built-in web search (no separate search API key).
2. Create a **new** directory (e.g. `deep-agent/`) and do all work there — do not pollute the open project.
3. **Do not use Tavily** (or any second search vendor). Replace the quickstart's `internet_search` / Tavily tool with the chosen provider's built-in web search. Look up the current tool shape on that provider's LangChain chat docs (examples as of writing — re-check if needed):
| Provider | Built-in search tool |
|----------|----------------------|
| Anthropic | `{"type": "web_search_20260209", "name": "web_search", "max_uses": 5}` |
| OpenAI | `{"type": "web_search"}` |
| Google | `{"google_search": {}}` |
Prefer Anthropic / OpenAI / Google so provider search is available. Only secret: that provider's API key in `.env` (gitignored). Skip LangSmith tracing unless they ask.
4. Install `deepagents` (+ `python-dotenv`) and the provider package for their model — not `tavily-python`.
5. Run the research example, show output, then stop. Point to `deep-agents-core` / customization / Managed Deep Agents for next steps.
Wersje
W bazie nie ma innych skilli o nazwie deepagents-python-quickstart.
Migawka bazy z 13.11.2026 · wersja paczki 06475ed28914 (skrót SHA-256 całej paczki)
Pobrania w ostatnich 30 dniach: 0 · ranking
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100deepagents-typescript-quickstart
Tworzy minimalnego lokalnego agenta Deep Agent w TypeScripcie według oficjalnego quickstartu, z natywnym wyszukiwaniem w sieci dostawcy zamiast Tavily. - 100langchain-python-quickstart
Tworzy minimalnego lokalnego agenta LangChain w Pythonie według oficjalnego quickstartu. - 86deep
Ładuje referencję Deep Agents przed pracą nad agentami opartymi na deepagents, LangChain lub LangGraph, w tym nad pamięcią i middleware. - 90tavily-usage
Obsługuje wyszukiwanie w sieci przez Tavily, pobieranie i wyodrębnianie treści stron z adresów URL oraz scrapowanie witryn. - 100tavily
Opisuje API Tavily dla aplikacji LLM: wyszukiwanie w sieci, ekstrakcja treści, crawlowanie, mapowanie witryn i research, na przykład w pipeline'ach RAG. - 100deepagents-architecture
Doradza w decyzjach architektonicznych dla aplikacji Deep Agents: wybór między Deep Agents a alternatywami, strategie backendów, projekt systemów subagentów i dobór middleware.