deepagents-in-action-Task1环境准备

项目github：https://github.com/datawhalechina/deepagents-in-action

文档：https://datawhalechina.github.io/deepagents-in-action/chapters/pre01-agentseek-create/

本笔记运行环境介绍：

wsl 24.04

已装有conda

已装有uv（官方安装脚本方式安装）

nvm管理，node24 lts

有codex等code agent，可以安装项目推荐的两个skill，方面出错排查问题

# LangChain 开发指南 — 工程陷阱与验证修复
npx skills add ob-labs/agentseek --skill langchain-dev-guide

# LangSmith Trace 调试 — 追踪与性能分析
npx skills add ob-labs/agentseek --skill langsmith-trace

环境准备

1.安装 AgentSeek

uv tool install --upgrade agentseek

测试命令是否正常

agentseek version
agentseek --help

2.选择并创建模板

注意：agentseek create命令需要连接github，请保证网络正常

查看当前 CLI 识别的模板：

agentseek create --list-templates --checkout main

本课程使用 deepagents/research，它包含 DeepAgents 研究 Agent、Tavily 搜索和 React 前端。

deepagents/research

DeepAgents research agent with Tavily search, streamed tool/sub-agent UI, and AgentSeek lifecycle spec.

机翻：
DeepAgents研究代理具有Tavily搜索功能、流式工具/子代理用户界面以及AgentSeek生命周期规范。

创建项目并从模板仓库的 main 分支获取最新批次模板：

agentseek create deepagents/research --checkout main --no-input

--checkout main 让 AgentSeek 在创建时读取模板仓库当前的 main 分支，而不是只使用 CLI 内置的锁定目录。它适合跟随最新模板学习；模板更新后，生成项目的文件和依赖也可能变化。如果你需要课程作业完全复现某一次结果，再把 main 换成当时记录的完整提交 SHA。

进入生成目录：

cd research_deepagent

如果你想自定义项目名称、模型和端口，去掉 --no-input，再按提示填写模板变量。

3. 查看生命周期配置

先查看项目摘要：

agentseek info

再查看模板提供的一次性任务：

agentseek task --list

当前 deepagents/research 模板会列出两个准备任务：

sync      Install Python dependencies with uv.
frontend  Install frontend dependencies.

任务名称属于模板配置。以后如果输出发生变化，请运行输出中对应的依赖安装任务。

项目中的关键文件如下：

research_deepagent/
├── .agentseek/lifecycle.toml
├── .env.example
├── frontend/
│   ├── .env.example
│   ├── package.json
│   └── src/
├── langgraph.json
├── pyproject.toml
└── src/research_deepagent/
    ├── agent.py
    ├── prompts.py
    └── tools.py

4. 安装项目依赖

运行模板声明的后端依赖任务：

agentseek task sync

安装前端依赖：

agentseek task frontend

这两个任务当前分别执行 uv sync 和 npm install --prefix frontend。你可以在 .agentseek/lifecycle.toml 中查看实际命令。

5. 配置模型和搜索服务

复制后端和前端环境文件：

cp .env.example .env
cp frontend/.env.example frontend/.env

打开 .env 并填写模型与搜索服务的 Key。本课程默认使用课程赞助方 SiliconFlow 提供的 OpenAI 兼容接口，并选择 GLM 作为演示模型：

AGENTSEEK_MODEL_PROVIDER=openai
AGENTSEEK_MODEL=zai-org/GLM-5.2
OPENAI_API_BASE=https://api.siliconflow.cn/v1
OPENAI_API_KEY=<your-siliconflow-api-key>

TAVILY_API_KEY=<your-tavily-api-key>

LANGSMITH_TRACING=false
LANGSMITH_API_KEY=

TAVILY_API_KEY 用于研究 Agent 的网络搜索。你可以在 Tavily 创建 Key。（注册后选免费订阅，需要绑卡，注册完成后记得到https://app.tavily.com/billing 把按需付费关闭，以免“倾家荡产”）

LANGSMITH_API_KEY用于跟踪以检查代理运行、令牌使用情况和延迟。在https://smith.langchain.com/settings/apikeys 创建 Key（Service Keys和Personal Access Tokens都可以，我开的Personal Access Tokens个人访问令牌）。

LANGSMITH_ENDPOINT为设置LANGSMITH域名到亚太地区域名（但我测试我网络环境还不如默认的us域名，于是没启用）

6. 检查启动条件

运行就绪检查：

agentseek doctor

AgentSeek 会检查 uv、Node.js、npm、必需文件、依赖目录和环境变量。如果检查失败，请先修复每一项，再继续启动。

预览开发进程，不启动服务：

agentseek dev --dry-run

你应该看到两个进程：

LangGraph 后端，默认地址为 http://127.0.0.1:2024
React 前端，默认地址为 http://127.0.0.1:5174

7. 可选：为下一章开启 LangSmith Trace

下一章会用 langsmith-trace 分析这次研究过程。如果你准备继续该实操，请先在 .env 中开启 Trace：

LANGSMITH_TRACING=true
LANGSMITH_API_KEY=<your-langsmith-api-key>
LANGSMITH_PROJECT=deepagents-course

<your-langsmith-api-key> 是占位符。请在 LangSmith 创建自己的 Key，并只把真实值写入不会提交到 Git 的 .env。

LangChain 和 LangGraph 会自动记录 Trace，不需要修改应用代码。LANGSMITH_PROJECT 用于把本章的运行集中到 deepagents-course 项目；如果省略，Trace 通常会进入 default 项目。

不要把真实 Key 直接写进 Shell 命令，也不要使用 --api-key。命令内容可能进入 Shell 历史、进程列表或编码助手日志。

Trace 可能包含提示词、工具参数和模型输出。本章只使用公开研究问题。如果你的输入包含敏感数据，请先阅读 LangSmith 的数据脱敏设置，不要照搬本章配置。

如果你暂时不使用 LangSmith，请保持：

LANGSMITH_TRACING=false
LANGSMITH_API_KEY=

8. 启动并验证前后端连通

启动前后端：

agentseek dev

保持这个终端运行。在另一个终端中进入同一项目目录，检查两个服务：

agentseek doctor --live

打开 http://127.0.0.1:5174，输入：

Research what LangGraph 1.0 added vs 0.x. Cite sources.

如果配置了LangSmith，可以看到所有的工具调用链

自此，环境配置完成，且跑通了调用

MSTG Blog