过渡：从 FunctionCall 到 DeepAgent

1.1 FunctionCall 的局限

在上一讲的 FunctionCall 阶段，我们学会了让 LLM 调用工具：

from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city}的天气是晴天"

# LLM 收到用户问题后，决定调用这个函数

💡 关键思考：类型提示 (Type Hinting) 的重要性 你可能注意到了 def get_weather(city: str) 中的 : str。这不仅仅是注释，而是给 Agent 的"硬性约束"。

• 现状：在 DeepAgent 中，我们只用简单的 Python 基本类型（str, int）。
• 预告：但在处理复杂的金融数据时（比如要求输出严格的 JSON 格式），光靠 str 是不够的。在**下一讲（NLP 自然语言处理）**中，我们将引入 Pydantic 库，它能像"模具"一样，强迫 Agent 输出精准的结构化数据，而不是随意的自然语言。

但 FunctionCall 存在明显局限：

问题	描述
单步执行	只能执行单个工具调用，无法处理复杂任务
无记忆能力	每次对话都是全新的，无法记住用户偏好
缺乏规划	不会主动分解任务、制定步骤
工具固定	新增工具需要修改代码，灵活性差

1.2 DeepAgent 的解决方案

DeepAgent 在 FunctionCall 的基础上，引入了五大核心能力，形成一个完整的 Agent 系统：

核心能力说明：

1. Planning（规划能力）：Agent 能够自动分解复杂任务为多个步骤，制定执行计划

2. Memory（记忆系统）：跨会话持久化存储，记住用户偏好和上下文

3. SubAgent（子代理）：支持专业化的子代理，处理特定领域任务

4. Backend（后端）：提供文件系统访问能力，支持工具读取、写入和搜索文件

5. Skills（技能）：通过类似目录一样的渐进式披露，传入指定的工作流程并减少上下文开销

这五种能力建立在 FunctionCall Agent 的基础之上，使 DeepAgent 从"被动回答问题"升级为"主动完成任务"的智能代理。

---