Skip to main content

​
概述

本指南演示如何使用 Deep Agents 从零开始构建一个内容写作智能体。 您将构建的智能体能够：
  1. 从 AGENTS.md 和技能文件夹加载品牌语调和流程规则
  2. 将网络研究任务委托给具备 web_search 功能的专用子智能体
  3. 根据加载的技能起草博客或社交媒体内容
  4. 使用 Gemini 生成封面或社交媒体图片，并将文件保存在项目目录下
本教程中的代码集成了图像生成工具和文件系统后端，使智能体能够在项目目录下读取和写入文章、研究笔记和图像。有关完整的可运行项目，请参阅 content-builder-agent 示例。

​
核心概念

本教程涵盖：

​
先决条件

API 密钥：
  • Anthropic (Claude)
  • Google (Gemini)，用于通过 gemini-2.5-flash-image 生成图像
  • Tavily 用于网络搜索（免费套餐）
  • LangSmith 用于追踪（可选）
Python 3.11 或更高版本。

​
设置

1

创建项目目录

mkdir content-builder-agent
cd content-builder-agent
2

安装依赖

pip install deepagents google-genai pillow pyyaml rich tavily-python langchain

uv init
uv add deepagents google-genai pillow pyyaml rich tavily-python langchain
uv sync
在您自己的项目中，请将 deepagents 固定在一个支持的版本范围内（例如 >=0.3.5,<0.4.0），以匹配上游示例。
3

设置 API 密钥

export ANTHROPIC_API_KEY="your_anthropic_api_key"
export GOOGLE_API_KEY="your_google_api_key"
export TAVILY_API_KEY="your_tavily_api_key"           # 可选
export LANGSMITH_API_KEY="your_langsmith_api_key"     # 可选

​
添加配置文件

示例将行为保存在三种文件中：记忆、技能和子智能体定义。
1

添加 AGENTS.md

在项目根目录创建 AGENTS.md。 当您稍后创建智能体并将此文件指定为 记忆 参数的一部分时，它会被加载到系统提示中，从而使品牌语调和研究要求适用于每次运行。
# 内容写作智能体

您是一家科技公司的内容写手。您的工作是创作引人入胜、信息丰富的内容，向读者介绍人工智能、软件开发和新兴技术。

## 品牌语调

-   **专业但平易近人**：像知识渊博的同事一样写作，而不是教科书
-   **清晰直接**：除非必要，避免使用术语；用简单的方式解释技术概念
-   **自信但不傲慢**：分享专业知识而不居高临下
-   **引人入胜**：使用具体示例、类比和故事来说明观点

## 写作标准

1.  **使用主动语态**："智能体处理请求"，而不是"请求被智能体处理"
2.  **以价值为先**：从对读者重要的内容开始，而不是背景
3.  **每段一个观点**：保持段落重点突出且易于浏览
4.  **具体而非抽象**：使用具体示例、数字和案例研究
5.  **以行动结尾**：每篇文章都应让读者知道下一步该做什么

## 内容支柱

我们的内容专注于：
-   人工智能智能体与自动化
-   开发者工具与生产力
-   软件架构与最佳实践
-   新兴技术与趋势

## 格式指南

-   使用标题（H2、H3）来分割长内容
-   在相关处包含代码示例（带语法高亮）
-   对于 3 个或更多项目的列表，使用项目符号
-   尽可能将句子保持在 25 个词以内
-   在结尾包含清晰的行动号召

## 研究要求

在撰写任何主题之前：
1.  使用 `researcher` 子智能体进行深入的主题研究
2.  收集至少 3 个可信来源
3.  确定读者需要理解的关键点
4.  寻找具体示例或案例研究来说明概念
要使此智能体符合您自己的语调、支柱和格式规则，请更新 AGENTS.md 中的文本。
2

添加 subagents.yaml

创建一个名为 subagents.yaml 的文件。 然后添加以下文本，其中描述了一个 researcher 子智能体，它具备 Tavily 支持的 web_search 工具、一个 Haiku 模型 ID，以及将发现保存到您在主智能体委托时指定的路径的说明：
# 子智能体定义
# 这些由 content_writer.py 加载并与工具连接

researcher:
  description: >
    在撰写任何内容之前，务必首先使用此智能体进行研究。
    搜索网络以获取最新信息、统计数据和来源。
    委托时，请告知它主题以及保存结果的文件路径
    （例如，'研究可再生能源并保存到 research/renewable-energy.md'）。
  model: anthropic:claude-haiku-4-5-20251001
  system_prompt: |
    您是一名研究助手。您可以使用 web_search 和 write_file 工具。

    ## 您的工具
    - web_search(query, max_results=5, topic="general") - 搜索网络
    - write_file(file_path, content) - 保存您的发现

    ## 您的流程
    1. 使用 web_search 查找有关主题的信息
    2. 进行 2-3 次有针对性的搜索，使用具体的查询
    3. 收集关键统计数据、引用和示例
    4. 将发现保存到任务中指定的文件路径

    ## 重要事项
    - 用户会告诉您保存文件的位置 - 请使用该确切路径
    - 始终在您的发现中包含来源 URL
    - 保持发现简洁但信息丰富
  tools:
    - web_search
该文件稍后在创建深度智能体时作为参数传递。
3

添加技能

创建一个 skills/ 目录。每个技能都是一个包含 SKILL.md 文件的文件夹，该文件包含 YAML 前言（name、description）和技能说明。创建 skills/blog-post/SKILL.md 并将以下文本复制到其中，其中包含关于创建长篇博文、优化 SEO 内容和生成封面图像的信息。
---
name: blog-post
description: 撰写和构建长篇博客文章，创建教程大纲，优化 SEO 内容并生成封面图像。当用户要求撰写博客文章、文章、操作指南、教程、技术文章、思想领导力文章或长篇内容时使用。
---

# 博客文章写作技能

## 先研究（必需）

**在撰写任何博客文章之前，您必须委托研究：**

1.  使用 `task` 工具，并指定 `subagent_type: "researcher"`
2.  在描述中，同时指定主题和保存位置：

```
task(
    subagent_type="researcher",
    description="Research [TOPIC]. Save findings to research/[slug].md"
)
```

示例：
```
task(
    subagent_type="researcher",
    description="Research the current state of AI agents in 2025. Save findings to research/ai-agents-2025.md"
)
```

3.  研究完成后，在写作前阅读发现文件

## 输出结构（必需）

**每篇博客文章必须同时包含文章和封面图像：**

```
blogs/
└── <slug>/
    ├── post.md        # 博客文章内容
    └── hero.png       # 必需：生成的封面图像
```

示例：一篇关于"2025 年 AI 智能体"的文章 → `blogs/ai-agents-2025/`

**您必须完成两个步骤：**
1.  将文章写入 `blogs/<slug>/post.md`
2.  使用 `generate_image` 生成封面图像并保存到 `blogs/<slug>/hero.png`

**没有封面图像的博客文章是不完整的。**

## 博客文章结构

每篇博客文章应遵循以下结构：

### 1. 引子（开头）
-   以一个引人注目的问题、统计数据或陈述开始
-   让读者想要继续阅读
-   保持 2-3 句话

### 2. 背景（问题）
-   解释为什么这个主题重要
-   描述问题或机会
-   联系读者的经验

### 3. 主要内容（解决方案）
-   分成 3-5 个主要部分，使用 H2 标题
-   每个部分涵盖一个关键点
-   在有用处包含代码示例、图表或截图
-   对列表使用项目符号

### 4. 实际应用
-   展示如何应用这些概念
-   如果适用，包含分步说明
-   提供代码片段或模板

### 5. 结论与行动号召
-   总结关键要点（最多 3 个要点）
-   以清晰的行动号召结尾
-   链接到相关资源

## 封面图像生成

撰写文章后，使用 `generate_cover` 工具生成封面图像：

```
generate_cover(prompt="A detailed description of the image...", slug="your-blog-slug")
```

该工具将图像保存到 `blogs/<slug>/hero.png`。

### 撰写有效的图像提示

使用以下元素构建您的提示：

1.  **主体**：主要焦点是什么？要具体、明确。
2.  **风格**：艺术方向（极简主义、等距、扁平设计、3D 渲染、水彩等）
3.  **构图**：元素如何排列（居中、三分法则、对称）
4.  **调色板**：特定颜色或氛围（温暖的土色调、冷色调的蓝紫色、高对比度）
5.  **灯光/氛围**：柔和的漫射光、戏剧性的阴影、黄金时刻、霓虹灯发光
6.  **技术细节**：宽高比考虑、用于文本叠加的负空间

### 示例提示

**对于技术博客文章：**
```
等距 3D 插图，展示代表 AI 智能体的相互连接的发光立方体，每个立方体都有微妙的电路图案。立方体通过发光的数据流连接。深海军蓝背景 (#0a192f)，带有电光蓝 (#64ffda) 和柔和的紫色 (#c792ea) 点缀。干净简约的风格，顶部有大量负空间用于标题。专业科技美学。
```

**对于教程/操作指南：**
```
干净的扁平插图，展示双手在键盘上打字，抽象的代码符号向上漂浮，转变为灯泡和齿轮。从柔和的珊瑚色到浅桃色的温暖渐变背景。友好、平易近人的风格。居中构图，留有文本叠加空间。
```

**对于思想领导力：**
```
人类剪影轮廓与几何神经网络模式融合的抽象可视化。分割构图 - 左侧为有机水彩纹理过渡到右侧干净的矢量线条。柔和的鼠尾草绿和温暖的赤陶土色系。沉思、前瞻性的情绪。
```

## SEO 注意事项

-   在标题和第一段中包含主要关键词
-   在全文自然地使用关键词 3-5 次
-   将标题保持在 60 个字符以内
-   撰写元描述（150-160 个字符）

## 质量检查清单

完成前：
-   [ ] 文章已保存到 `blogs/<slug>/post.md`
-   [ ] 封面图像已生成于 `blogs/<slug>/hero.png`
-   [ ] 引子在前 2 句话中吸引注意力
-   [ ] 每个部分都有明确的目的
-   [ ] 结论总结了关键点
-   [ ] 行动号召告诉读者下一步该做什么
接下来，创建 skills/social-media/SKILL.md 并将以下文本复制到其中，其中包含关于起草社交媒体帖子和生成配套图像的信息：
---
name: social-media
description: 起草引人入胜的社交媒体帖子，撰写引子，建议话题标签，创建线程结构，并生成配套图像。当用户要求撰写 LinkedIn 帖子、推文、Twitter/X 线程、社交媒体标题、社交帖子或为社交平台重新利用内容时使用。
---

# 社交媒体内容技能

## 先研究（必需）

**在撰写任何社交媒体内容之前，您必须委托研究：**

1.  使用 `task` 工具，并指定 `subagent_type: "researcher"`
2.  在描述中，同时指定主题和保存位置：

```
task(
    subagent_type="researcher",
    description="Research [TOPIC]. Save findings to research/[slug].md"
)
```

示例：
```
task(
    subagent_type="researcher",
    description="Research renewable energy trends in 2025. Save findings to research/renewable-energy.md"
)
```

3.  研究完成后，在写作前阅读发现文件

## 输出结构（必需）

**每个社交媒体帖子必须同时包含内容和图像：**

**LinkedIn 帖子：**
```
linkedin/
└── <slug>/
    ├── post.md        # 帖子内容
    └── image.png      # 必需：生成的视觉内容
```

**Twitter/X 线程：**
```
tweets/
└── <slug>/
    ├── thread.md      # 线程内容
    └── image.png      # 必需：生成的视觉内容
```

示例：一篇关于"提示工程"的 LinkedIn 帖子 → `linkedin/prompt-engineering/`

**您必须完成两个步骤：**
1.  将内容写入相应的路径
2.  使用 `generate_image` 生成图像并保存在帖子旁边

**没有图像的社交媒体帖子是不完整的。**

## 平台指南

### LinkedIn

**格式：**
-   1,300 字符限制（约 210 个字符后显示"更多"）
-   第一行至关重要 - 使其具有吸引力
-   使用换行符提高可读性
-   在末尾使用 3-5 个话题标签

**语调：**
-   专业但个人化
-   分享见解和学习心得
-   提出问题以推动互动
-   使用"我"并分享经验

**结构：**
```
[引子 - 1 行引人注目的内容]

[空行]

[背景 - 为什么这很重要]

[空行]

[主要见解 - 2-3 个短段落]

[空行]

[行动号召或问题]

#话题标签1 #话题标签2 #话题标签3
```

### Twitter/X

**格式：**
-   每条推文 280 字符限制
-   对于较长内容使用线程（使用 1/🧵 格式）
-   每条推文不超过 2 个话题标签

**线程结构：**
```
1/🧵 [引子 - 主要见解]

2/ [支持点 1]

3/ [支持点 2]

4/ [示例或证据]

5/ [结论 + 行动号召]
```

## 图像生成

每个社交媒体帖子都需要一张引人注目的图像。使用 `generate_social_image` 工具：

```
generate_social_image(prompt="A detailed description...", platform="linkedin", slug="your-post-slug")
```

该工具将图像保存到 `<platform>/<slug>/image.png`。

### 社交媒体图像最佳实践

社交媒体图像需要在拥挤的信息流中以小尺寸有效：
-   **大胆、简洁的构图** - 一个清晰的焦点
-   **高对比度** - 滚动时脱颖而出
-   **图像中无文字** - 太小无法阅读，平台会添加自己的文字
-   **方形或 4:5 比例** - 跨平台适用

### 撰写有效的提示

包含以下元素：

1.  **单一焦点**：一个清晰的主体，而不是繁忙的场景
2.  **大胆的风格**：鲜艳的色彩、强烈的形状、高对比度
3.  **简单的背景**：纯色、渐变或微妙的纹理
4.  **情绪/能量**：匹配帖子的语调（鼓舞人心、紧迫、深思熟虑）

### 示例提示

**对于见解/技巧帖子：**
```
单个发光的灯泡漂浮在深紫色渐变背景上，灯泡由相互连接的金色几何线条构成，向外散发出柔和的光线。极简、醒目、高对比度。方形构图。
```

**对于公告/新闻：**
```
由彩色几何形状组成的抽象火箭向上发射，带有粒子轨迹。明亮的珊瑚色和蓝绿色配色方案，背景为干净的白色。充满活力、庆祝的情绪。大胆的扁平插图风格。
```

**对于发人深省的内容：**
```
两个重叠的半透明圆圈，一个蓝色一个橙色，在中心形成一个发光的交叉点。代表协作或思想的交汇。深炭灰色背景，柔和空灵的光晕。极简主义和沉思感。
```

## 内容类型

### 公告帖子
-   以新闻开头
-   解释影响
-   包含链接或下一步

### 见解帖子
-   分享一个具体的学习心得
-   简要解释背景
-   使其具有可操作性

### 提问帖子
-   提出一个真实的问题
-   首先提供您的看法
-   专注于一个主题

## 质量检查清单

完成前：
-   [ ] 帖子已保存到 `linkedin/<slug>/post.md` 或 `tweets/<slug>/thread.md`
-   [ ] 图像已在帖子旁边生成
-   [ ] 第一行吸引注意力
-   [ ] 内容符合平台限制
-   [ ] 语调符合平台规范
-   [ ] 有清晰的行动号召或问题
-   [ ] 话题标签相关（非通用）
它们指示智能体首先调用 researcher 子智能体，在 blogs/、linkedin/ 或 tweets/ 下写入 Markdown，并调用 generate_cover 或 generate_social_image 来生成图像。当您稍后创建智能体并指定技能文件夹时，这些技能文件夹中的 SKILLS.md 文件的前言会被加载到系统提示中，以便当任务描述匹配技能描述时，智能体可以使用该技能。

​
构建脚本

在项目根目录创建 content_writer.py。以下部分按顺序属于同一个文件。
1

添加工具

研究员子智能体使用 Tavily 搜索。 博客和社交媒体工作流使用 Gemini 图像生成。 稍后创建智能体时，load_subagents 函数会读取 subagents.yaml 并将工具名称解析为这些装饰函数。
import os
from pathlib import Path
from typing import Literal

import yaml
from langchain.tools import tool

EXAMPLE_DIR = Path(__file__).parent


@tool
def web_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news"] = "general",
) -> dict:
    """在网络上搜索当前信息。

    参数：
        query: 搜索查询（请具体且详细）
        max_results: 返回结果的数量（默认值：5）
        topic: 大多数查询使用 "general"，当前事件使用 "news"

    返回：
        包含标题、URL 和内容摘录的搜索结果。
    """
    try:
        from tavily import TavilyClient

        api_key = os.environ.get("TAVILY_API_KEY")
        if not api_key:
            return {"error": "TAVILY_API_KEY not set"}

        client = TavilyClient(api_key=api_key)
        return client.search(query, max_results=max_results, topic=topic)
    except Exception as e:
        return {"error": f"Search failed: {e}"}


@tool
def generate_cover(prompt: str, slug: str) -> str:
    """为博客文章生成封面图片。

    参数：
        prompt: 要生成的图像的详细说明。
        slug: 博客文章标识符。图片保存至 blogs/<slug>/hero.png
    """
    try:
        from google import genai

        client = genai.Client()
        response = client.models.generate_content(
            model="gemini-2.5-flash-image",
            contents=[prompt],
        )

        for part in response.parts:
            if part.inline_data is not None:
                image = part.as_image()
                output_path = EXAMPLE_DIR / "blogs" / slug / "hero.png"
                output_path.parent.mkdir(parents=True, exist_ok=True)
                image.save(str(output_path))
                return f"Image saved to {output_path}"

        return "No image generated"
    except Exception as e:
        return f"Error: {e}"


@tool
def generate_social_image(prompt: str, platform: str, slug: str) -> str:
    """为社交媒体帖子生成图片。

    参数：
        prompt: 要生成的图像的详细说明。
        platform: 可以是 "linkedin" 或 "tweets"
        slug: 帖子标识符。图片保存至 <platform>/<slug>/image.png
    """
    try:
        from google import genai

        client = genai.Client()
        response = client.models.generate_content(
            model="gemini-2.5-flash-image",
            contents=[prompt],
        )

        for part in response.parts:
            if part.inline_data is not None:
                image = part.as_image()
                output_path = EXAMPLE_DIR / platform / slug / "image.png"
                output_path.parent.mkdir(parents=True, exist_ok=True)
                image.save(str(output_path))
                return f"Image saved to {output_path}"

        return "No image generated"
    except Exception as e:
        return f"Error: {e}"


def load_subagents(config_path: Path) -> list:
    """从 YAML 加载子代理定义并连接工具。

    与 `memory` 和 `skills` 不同，Deep Agents 默认不会从文件加载子代理。
    此辅助函数将配置外部化，以便您可以在不更改 Python 代码的情况下编辑 YAML。
    """
    available_tools = {
        "web_search": web_search,
    }

    with open(config_path) as f:
        config = yaml.safe_load(f)

    subagents = []
    for name, spec in config.items():
        subagent = {
            "name": name,
            "description": spec["description"],
            "system_prompt": spec["system_prompt"],
        }
        if "model" in spec:
            subagent["model"] = spec["model"]
        if "tools" in spec:
            subagent["tools"] = [available_tools[t] for t in spec["tools"]]
        subagents.append(subagent)

    return subagents
2

创建智能体

使用 create_deep_agent 创建深度智能体时，传递记忆路径、技能目录、图像工具、来自 YAML 的子智能体，以及一个根目录为示例目录的 FilesystemBackend，以便像 ./AGENTS.md 和 ./skills/ 这样的路径能够正确解析。
from deepagents import create_deep_agent
from deepagents.backends import FilesystemBackend


def create_content_writer():
    """创建一个由文件系统文件配置的内容编写器代理。"""
    return create_deep_agent(
        memory=["./AGENTS.md"],
        skills=["./skills/"],
        tools=[generate_cover, generate_social_image],
        subagents=load_subagents(EXAMPLE_DIR / "subagents.yaml"),
        backend=FilesystemBackend(root_dir=EXAMPLE_DIR),
    )
3

添加入口点

使用用户消息调用智能体以验证其是否正常工作：
import sys

from langchain.messages import HumanMessage

if __name__ == "__main__":
    task = (
        " ".join(sys.argv[1:])
        if len(sys.argv) > 1
        else "Write a blog post about how AI agents are transforming software development"
    )

    agent = create_content_writer()
    result = agent.invoke(
        {"messages": [HumanMessage(content=task)]},
        config={"configurable": {"thread_id": "content-builder-demo"}},
    )

    for msg in result.get("messages", []):
        if hasattr(msg, "content") and msg.content:
            print(msg.content)

​
运行智能体

文件系统后端可以读取、写入和删除 root_dir 下的文件。仅在专用目录中运行，并在发布前检查生成的内容。
从项目目录，您可以在不传递参数的情况下调用智能体，或者通过将提示作为参数传递： 
python content_writer.py

python content_writer.py Write a blog post about prompt engineering
设置 LANGSMITH_API_KEY 后，您可以在 LangSmith 中检查运行情况。

​
输出

成功时，生成的工件会写入系统临时目录（在 macOS 和 Linux 上，通常在 /tmp/ 下），而不是您的项目文件旁边。 
blogs/
└── prompt-engineering/
    ├── post.md
    └── hero.png
research/
└── prompt-engineering.md
路径遵循 SKILL.md 中的技能说明。

​
完整代码

在 GitHub 上浏览完整的 content-builder-agent 示例，包括基于 Rich 的流式 UI。

​
后续步骤

  • 编辑 AGENTS.md 以更改品牌语调和研究要求
  • 在 skills/<name>/SKILL.md 下添加新内容类型的技能
  • 在 subagents.yaml 中添加子智能体，并在 load_subagents 中注册工具
  • 阅读 子智能体、技能 和 自定义 以进行更深入的配置
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.