工具

将深度智能体连接到自定义函数、API、数据库和任何 MCP 服务器

深度智能体可以调用任何工具，包括LangChain工具和来自任意MCP服务器的工具。 通过tools=参数将它们与built-in harness tools（文件管理和子智能体创建工具）一同传递给create_deep_agent。

:::python

Google

from deepagents import create_deep_agent


agent = create_deep_agent(
    model="google_genai:gemini-3.6-flash",
    tools=[search, fetch_url, run_query],
)

:::

:::js

Google

import { createDeepAgent } from "deepagents";


const agent = await createDeepAgent({
  model: "google:gemini-3.6-flash",
  tools: [search, fetchUrl, runQuery],
});

:::

自定义工具

直接将可调用对象（如普通函数、LangChain @tool装饰的函数或工具字典）传递给tools=。 深度智能体会根据函数签名和文档字符串推断工具 schema，因此大多数情况下无需单独定义 schema。

:::python

Google

import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])


def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )


agent = create_deep_agent(
    model="google_genai:gemini-3.6-flash",
    tools=[internet_search],
)

:::

:::js

Google

import { tool } from "langchain";
import { TavilySearch } from "@langchain/tavily";
import { createDeepAgent } from "deepagents";
import { z } from "zod";

const internetSearch = tool(
  async ({
    query,
    maxResults = 5,
    topic = "general",
    includeRawContent = false,
  }: {
    query: string;
    maxResults?: number;
    topic?: "general" | "news" | "finance";
    includeRawContent?: boolean;
  }) => {
    const tavilySearch = new TavilySearch({
      maxResults,
      tavilyApiKey: process.env.TAVILY_API_KEY,
      includeRawContent,
      topic,
    });
    return await tavilySearch._call({ query });
  },
  {
    name: "internet_search",
    description: "Run a web search",
    schema: z.object({
      query: z.string().describe("The search query"),
      maxResults: z.number().optional().default(5),
      topic: z
        .enum(["general", "news", "finance"])
        .optional()
        .default("general"),
      includeRawContent: z.boolean().optional().default(false),
    }),
  },
);

const agent = createDeepAgent({
  model: "google:gemini-3.6-flash",
  tools: [internetSearch],
});

:::

关于定义和使用LangChain工具（工具字典、StructuredTool、返回值类型、错误处理等）的完整细节，请参阅工具。

MCP工具

深度智能体完全支持模型上下文协议（MCP），这是连接智能体到外部服务的开放标准。从任意MCP服务器加载工具并直接传递给create_deep_agent。

MCP是一个开放协议，使智能体能够通过标准接口连接数据库、API、文件系统、浏览器等日益增长的生态系统服务。无需为每个服务编写定制集成代码，只需将深度智能体指向MCP服务器，即可获取该服务器提供的所有工具。

:::python 通过添加mcp扩展连接MCP服务器：

pip

pip install "langchain[mcp]"

Google

import asyncio

from deepagents import create_deep_agent
from langchain.mcp import MCPAdapter


async def main():
    config = {"mcpServers": {"my_server": {"url": "http://localhost:8000/mcp"}}}
    async with MCPAdapter(config) as adapter:
        tools = await adapter.list_tools()
        agent = create_deep_agent(
            model="google_genai:gemini-3.6-flash",
            tools=tools,
        )
        await agent.ainvoke(
            {
                "messages": [
                    {"role": "user", "content": "Use the MCP server to help me."}
                ]
            },
            config={"configurable": {"thread_id": "1"}},
        )

:::

:::js 通过安装@langchain/mcp-adapters连接MCP服务器：

npm install @langchain/mcp-adapters

Google

import { createDeepAgent } from "deepagents";

const { MultiServerMCPClient } = await import("@langchain/mcp-adapters");

const client = new MultiServerMCPClient({
  my_server: {
    transport: "http",
    url: "http://localhost:8000/mcp",
  },
});

const tools = await client.getTools();

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

const result = await agent.invoke({
  messages: [{ role: "user", content: "Use the MCP server to help me." }],
});

:::

关于完整配置选项（包括标准IO服务器、OAuth认证、工具过滤、会话状态管理）的详细信息，请参阅MCP指南。

内置harness工具

除您提供的工具外，每个深度智能体都包含来自harness的内置工具集：

:::python

工具	描述
ls	列出目录中的文件。
read_file	读取文件内容（支持分页和多模态）。
write_file	创建新文件或覆盖现有文件。
edit_file	在文件中执行精确字符串替换。
delete	删除文件或递归删除目录及其内容。delete工具需要deepagents>=0.7。
glob	按模式匹配查找文件。
grep	搜索文件内容。
execute	运行Shell命令（仅限沙盒后端）。
task	创建子智能体处理委派任务。

:::

:::js

工具	描述
ls	列出目录中的文件。
read_file	读取文件内容（支持分页和多模态）。
write_file	创建新文件。
edit_file	在文件中执行精确字符串替换。
glob	按模式匹配查找文件。
grep	搜索文件内容。
execute	运行Shell命令（仅限沙盒后端）。
task	创建子智能体处理委派任务。

:::

通过启用write_todos实现结构化任务规划，使用@TodoListMiddleware进行勾选。请参阅任务规划。

要了解每个内置工具的详细功能，请查阅harness概述。

多模态工具输出

自定义工具可以返回纯文本或标准内容块（文本、图像、音频、视频和文件），前提是所选模型支持多模态工具结果。内置的read_file工具也会为支持的非文本文件类型返回多模态块。

对于纯文本结果返回字符串，对于包含媒体或交错多模态输出的结果返回有序列表。请参阅Multimodal和工具返回值以获取示例和上下文压缩注意事项。

---

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