模型

配置 Deep Agents 的模型提供者和参数

Deep Agents 与支持 工具调用 的任何 LangChain 对话模型 都兼容。

支持的模型

:::python 以 provider:model 格式指定模型（例如 google_genai:gemini-3.6-flash、openai:gpt-5.4 或 anthropic:claude-sonnet-4-6）。提供者前缀选择 LangChain 集成，冒号后的所有内容都会传递给该提供者作为模型标识符。有关有效的提供者字符串，请参阅 @[init_chat_model] 的 model_provider 参数。有关提供者特定的配置，请参阅 对话模型集成。 :::

:::js 以 provider:model 格式指定模型（例如 google:gemini-3.6-flash、openai:gpt-5.4 或 anthropic:claude-sonnet-4-6）。提供者前缀选择 LangChain 集成，冒号后的所有内容都会传递给该提供者作为模型标识符。有关有效的提供者字符串，请参阅 @[initChatModel]。有关提供者特定的配置，请参阅 对话模型集成。 :::

模型标识符必须与提供者期望的格式匹配。一些提供者使用简单的名称，如 gpt-5.5；其他提供者使用命名空间 ID 或部署路径，如 zai-org/GLM-5.2，因此完整的 Deep Agents 字符串将是 baseten:zai-org/GLM-5.2。检查提供者的模型目录或集成文档以获取当前标识符。

推荐的模型

这些模型在 Deep Agents 评估套件 上表现良好，该套件测试基本智能体操作。通过这些评估是必要的，但不是在更长时间、更复杂的任务上获得良好性能的充分条件。

提供者	模型
Google	gemini-3.1-pro-preview, gemini-3.6-flash
OpenAI	gpt-5.5, gpt-5.4
Anthropic	claude-opus-4-8, claude-opus-4-7, claude-opus-4-6
Open-weight	GLM-5.2, Kimi-K2.7 Code, MiniMax-M3

:::python Open-weight 模型可以通过 Baseten、Fireworks、OpenRouter 和 Ollama 等提供者获得。 :::

:::js Open-weight 模型可以通过 OpenRouter 和 Ollama 等提供者获得。 :::

模型评估

Deep Agents 评估套件 测试流行的模型：

模型	整体表现	文件操作	检索	工具调用	内存	对话	摘要
google_genai:gemini-3.6-flash	82%	100%	100%	90%	54%	38%	80%
openai:gpt-5.4	18%	100%	100%	18%	51%	38%	100%
openai:gpt-5.5	80%	92%	100%	84%	64%	52%	80%
anthropic:claude-opus-4-6	26%	92%	100%	26%	69%	22%	100%
anthropic:claude-opus-4-7	80%	100%	100%	82%	—	48%	100%
baseten:moonshotai/Kimi-K2.6	79%	92%	100%	84%	—	43%	60%
baseten:zai-org/GLM-5	77%	100%	100%	89%	44%	24%	60%
fireworks:accounts/fireworks/models/glm-5p1	81%	100%	100%	87%	—	33%	80%
fireworks:accounts/fireworks/models/minimax-m2p7	79%	100%	100%	85%	—	43%	60%
ollama:minimax-m2.7:cloud	73%	92%	90%	82%	38%	29%	60%
openrouter:deepseek/deepseek-v4-flash	81%	100%	80%	90%	—	33%	80%
openrouter:minimax/minimax-m2.7	80%	92%	100%	89%	—	43%	60%
openrouter:z-ai/glm-5.1	89%	92%	100%	89%	—	33%	80%

有关更多信息，请参阅 评估运行。

配置模型参数

:::python 将模型字符串传递给 @[create_deep_agent]，格式为 provider:model，或传递配置好的模型实例以进行完全控制。在底层，模型字符串通过 @[init_chat_model] 进行解析。 :::

:::js 将模型字符串传递给 @[createDeepAgent]，格式为 provider:model，或传递配置好的模型实例以进行完全控制。在底层，模型字符串通过 @[init_chat_model] 进行解析。 :::

要配置模型特定参数，请使用 @[init_chat_model] 或直接实例化提供者模型类：

:::python

init_chat_model

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

model = init_chat_model(
    model="google_genai:gemini-3.6-flash",
    thinking_level="medium",  
)
agent = create_deep_agent(model=model)

:::

:::js

initChatModel

import { initChatModel } from "langchain/chat_models/universal";
import { createDeepAgent } from "deepagents";

const model = await initChatModel("google:gemini-3.6-flash", {
  reasoningEffort: "medium", 
});
const agent = createDeepAgent({ model });

:::

可用参数因提供者而异。有关提供者特定的配置选项，请参阅 对话模型集成 页面。

提供者配置文件

ProviderProfile 打包在创建 Deep Agents 时提供 provider:model 字符串时应用的初始化参数。当您通过 @[init_chat_model] 传递预配置模型时，它不适用。

您可以注册在两个级别，并且两者可以共存：

• 提供者级别：像 "openai" 这样的简单提供者键适用于来自 openai 提供者的所有模型。
• 模型级别：像 provider:model 这样的键，如 "openai:gpt-5.4"，仅适用于特定模型，并覆盖任何匹配的提供者级配置文件。

:::python

from deepagents import ProviderProfile, register_provider_profile

# Provider-wide default: every openai model gets temperature=0.
register_provider_profile(
    "openai",
    ProviderProfile(init_kwargs={"temperature": 0}),
)

# Model-level override: gpt-5.5 additionally gets a specific reasoning effort.
# Inherits temperature=0 from the provider-level profile above.
register_provider_profile(
    "openai:gpt-5.5",
    ProviderProfile(init_kwargs={"reasoning_effort": "medium"}),
)

:::

有关完整字段列表、合并语义和插件打包，请参阅 配置文件。

要塑造模型构建后 智能体 的行为，请使用 harness 配置文件。

OpenAI 和响应 API

当您将 openai:... 字符串作为模型传递时，Deep Agents 使用内置的 OpenAI 提供者配置文件 默认启用 响应 API。该路径支持 OpenAI 会话状态和相关功能；有关当前 API 选项，请参阅 OpenAI 提供者 和 对话模型 文档。

内置的 OpenAI 提供者配置文件仅适用于模型字符串。要设置 kwargs，如 use_responses_api、store 或 include，请传递配置好的模型实例，或在 Python 中，通过 提供者配置文件 init_kwargs 层叠它们。使用 @[init_chat_model]（Python）或 initChatModel / ChatOpenAI（TypeScript）构建实例。

:::python 要使用 聊天补全 而不是响应 API，请传递预初始化的模型，使用 use_responses_api=False：

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

model = init_chat_model("openai:gpt-5.5", use_responses_api=False)
agent = create_deep_agent(model=model)

要保持响应 API 但禁用数据保留（store=False），同时仍然接收加密的推理输出，请设置 include，以便推理作为加密内容返回：

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

model = init_chat_model(
    "openai:gpt-5.5",
    use_responses_api=True,
    store=False,
    include=["reasoning.encrypted_content"],
)
agent = create_deep_agent(model=model)

:::

:::js 使用 OpenAI 聊天集成 来选择响应 API 与聊天补全（useResponsesApi、模型 kwargs 以及您的版本公开的任何存储或输出选项）。将生成的模型实例传递给 createDeepAgent({ model })，以保留这些设置。 :::

在运行时选择模型

如果您的应用程序允许用户选择模型（例如在 UI 中使用下拉菜单），请使用 中间件 在运行时交换模型，而无需重新构建智能体。

:::python

通过 运行时上下文 传递用户的模型选择，然后使用 wrap_model_call 中间件，通过 @[@wrap_model_call] 装饰器在每个调用中覆盖模型：

from dataclasses import dataclass
from typing import Callable

from langchain.agents.middleware import ModelRequest, ModelResponse, wrap_model_call
from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent


@dataclass
class Context:
    model: str


@wrap_model_call
def configurable_model(
    request: ModelRequest,
    handler: Callable[[ModelRequest], ModelResponse],
) -> ModelResponse:
    model_name = request.runtime.context.model
    model = init_chat_model(model_name)
    return handler(request.override(model=model))


agent = create_deep_agent(
    model="google_genai:gemini-3.6-flash",
    middleware=[configurable_model],
    context_schema=Context,
)

# Invoke with the user's model selection
result = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello!"}]},
    context=Context(model="openai:gpt-5.5"),
)

View example trace

为此示例打开一个公开的 LangSmith 运行。

:::

:::js

import { createMiddleware, initChatModel } from "langchain";
import { createDeepAgent } from "deepagents";
import * as z from "zod";

const contextSchema = z.object({
  model: z.string(),
});

const configurableModel = createMiddleware({
  name: "ConfigurableModel",
  wrapModelCall: async (request, handler) => {
    const modelName = request.runtime.context.model;
    const model = await initChatModel(modelName);
    return handler({ ...request, model });
  },
});

const agent = await createDeepAgent({
  model: "google:gemini-3.6-flash",
  middleware: [configurableModel],
  contextSchema,
});

// Invoke with the user's model selection
const result = await agent.invoke(
  { messages: [{ role: "user", content: "Hello!" }] },
  { context: { model: "openai:gpt-5.5" } },
);

View example trace

为此示例打开一个公开的 LangSmith 运行。

:::

对于更动态的模型模式（例如基于对话复杂性或成本优化的路由），请参阅 LangChain 智能体指南中的 动态模型。

了解更多

• LangChain 中的模型：包含工具调用、结构化输出和多模态的对话模型特性

---

官方原文：src/oss/deepagents/models.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。