用途：指导用现代抽象构建 LangChain 智能体，替代 create_sql_agent、create_tool_calling_agent、create_react_agent 等过时辅助函数。
主要能力与用法：简单工具调用或 ReAct 循环用 create_agent：from langchain.agents import create_agent；graph = create_agent(model="anthropic:claude-sonnet-4-5", tools=[search], system_prompt="...")，随后 agent.invoke({"messages": [("user", "问题")]})。需要规划、文件系统与子智能体时用 create_deep_agent（from deepagents import create_deep_agent），支持 FilesystemBackend、持久化记忆、任务分解与委派。自定义控制流、多智能体或高级上下文用 LangGraph：StateGraph、ToolNode，节点与条件边构成 Agent → tools → agent → END 循环。自定义工具执行时必须为每个 tool_call 生成 ToolMessage，并让 tool_call_id 与调用 ID 匹配。路由可用 Command 与 Literal 配合 goto，人在回路可用 interrupt。
上下文管理三法：子智能体委派、渐进式消息裁剪、摘要压缩旧历史。多智能体可用 supervisor 模式按内容派发给 billing、technical 等节点。持久化用 MemorySaver（线程级）与 InMemoryStore（跨线程），调用时通过 configurable.thread_id 指定。结构化输出用 model.with_structured_output(Pydantic 模型)。DeepAgents 的 CompositeBackend 可组合 FilesystemBackend 与 StoreBackend。
适用场景：工具调用机器人、SQL/搜索/Q&A、研究型多步工作流、多智能体协作。
限制：资料未提供安装命令、依赖版本、费用、平台支持与效果数据；建议从简单 ReAct 循环起步，仅在需要时增加复杂度。