企业官网建设流程全解析

使用 deepagents deploy 构建 GTM 策略 Agent：同步/异步子 Agent 编排实战

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents

导读

本文基于开源仓库GitHub_Trending/de/deepagents中的examples/deploy-gtm-agent示例，讲解如何用deepagents deploy将一个「go-to-market（GTM，市场进入）策略 Agent」部署到 LangSmith 云端运行。该示例的核心价值在于演示了 deepagents 最典型的同步子 Agent（sync subagent）与异步子 Agent（async subagent）混合编排模式：市场调研同步阻塞等待结果，内容创作则在后台异步执行、就绪后汇入最终策略。读完本文，你将掌握 GTM Agent 的目录结构与角色配置、deepagents deploy的部署流程、通过 LangGraph SDK 流式查询部署后 Agent 的方法，以及异步子 Agent 在框架底层（libs/deepagents/deepagents/middleware/async_subagents.py）的实现原理。

一、示例概览：一个会「先调研、再出策略、后写内容」的 Agent

deploy-gtm-agent是一个面向产品/功能发布的 GTM 策略 Agent。给定一个产品或功能，它会协调两类子 Agent 产出一份完整的 GTM 计划以及配套的营销物料：

• market-researcher（同步）：负责市场调研，包括竞争分析、TAM/SAM/SOM 估算、受众细分等。同步意味着主 Agent 会阻塞等待调研结果，再基于结果撰写策略，保证「策略建立在数据之上」。
• content-writer（异步）：负责长耗时的内容创作任务——博客文章、落地页、营销文案。异步意味着任务在后台运行，主 Agent 立即拿到任务 ID，可边推进其他工作边监控进度，物料就绪后再集成进最终 GTM 计划。

这一同步/异步组合正是 deepagents 子 Agent 体系的核心用法：同步保因果（先有调研才有策略），异步保并行（内容创作不阻塞策略主线）。

二、前置条件与环境准备

README 明确列出部署前需要准备的环境变量：

操作步骤：将.env复制到示例目录并填入上述密钥。部署动作依赖 LangSmith 平台，因此LANGSMITH_API_KEY是必须项；OPENAI_API_KEY用于模型调用。

从配置层面可以进一步印证模型的选择：根级部署清单 agent.json 中声明了"model": {"model_id": "openai:gpt-5.4-nano"}，而市场调研子 Agent 的清单 subagents/market-researcher/agent.json 则声明"model_id": "openai:gpt-5.4-mini"——即父 Agent 与子 Agent 可以各自使用不同的模型，调研类子任务用更小的模型降低成本，而策略规划由能力更强的模型完成。作为对照，同一仓库中的 content-writer 异步内容子 Agent（见 examples/deploy-content-writer/agent.json）使用的是openai:gpt-4.1。这提示我们在设计自己的部署时，可以为每个角色单独指定模型档位。

三、部署：一条命令完成装配与上线

deepagents deploy

在示例目录下执行该命令即可。subagents/目录下定义的子 Agent 会在部署时被自动发现并接入（automatically discovered and wired in），无需手工注册。这种「约定优于配置」的设计，使新增一个子 Agent 只需添加一个目录及其清单文件。

需要说明的是：README 中给出的结构示意包含deepagents.toml与mcp.json，而当前仓库中该示例实际落地的清单文件为agent.json（根级与子 Agent 级均有）。从源码结构看，deepagents deploy会扫描并加载这些清单来组装部署配置，因此以仓库实际文件为准、按需补充模型字段即可。具体可对照实际目录树：

examples/deploy-gtm-agent/ ├── AGENTS.md # Supervisor 指令 ├── README.md ├── agent.json # 部署配置（模型：openai:gpt-5.4-nano） ├── skills/ │ └── competitor-analysis/ │ └── SKILL.md # 竞争分析技能 └── subagents/ └── market-researcher/ # 同步市场调研子 Agent ├── AGENTS.md ├── agent.json # 子 Agent 模型：openai:gpt-5.4-mini └── skills/ └── analyze-market/ └── SKILL.md # 市场分析技能

四、角色拆解：Supervisor 指令、技能与子 Agent

4.1 根级 Supervisor：AGENTS.md

examples/deploy-gtm-agent/AGENTS.md 定义了主 Agent 的能力边界与工作流，是「编排逻辑」的文本载体：

• 能力声明：明确自身负责协调market-researcher（同步）与content-writer（异步）两类子 Agent，并逐一说明各子 Agent 负责的职责范围（竞争分析、TAM/SAM/SOM、受众细分、长文创作等）。
• 工作流（4 步）：① 收到产品/功能后，先委派市场调研；② 基于调研结论制定包含定位、定价、渠道选择的 GTM 策略；③ 通过异步子 Agent 启动营销物料创作；④ 监控异步任务并把交付物集成进最终 GTM 计划。
• 行为准则：建议必须基于市场调研数据给出推荐、策略需附带理由与证据、为 content-writer 撰写内容简报时须包含目标受众、关键信息与语气指南。

4.2 同步子 Agent：Market Researcher

subagents/market-researcher/AGENTS.md 定义了调研专员的行为：

• 关注领域：市场体量（TAM/SAM/SOM 估算与方法论）、竞争分析（定位、定价、份额）、受众细分（人口、心理、购买行为）、趋势分析（行业趋势、新技术、监管变化）。
• 产出格式：用write_file工具将完整 Markdown 调研报告写入/memories/subagents/market-researcher/market-research-report.md，其余结构化字段从报告中精炼提取，并在full_report_path字段返回文件路径——这意味着主 Agent 可以通过该路径读取完整报告用于策略撰写。
• 准则：尽可能引用来源、区分硬数据与估算、标注不确定区域、聚焦对 GTM 决策有行动价值的内容。

4.3 技能（Skills）：让能力可复用、可触发

技能采用 frontmatter 声明式定义，包含name与description（描述触发条件），正文给出操作步骤：

• competitor-analysis：skills/competitor-analysis/SKILL.md 在出现「competitive landscape / competitor analysis / market comparison / competitive positioning」等关键词时触发，要求识别 Top 3-5 竞品、逐家评估定位/定价/受众/优劣势、输出对比矩阵、指出差异化机会。
• analyze-market：subagents/market-researcher/skills/analyze-market/SKILL.md 在出现「market analysis / market size / TAM SAM SOM / market opportunity」等关键词时触发，要求界定市场边界（地理/细分/时间窗）、估算 TAM/SAM/SOM、识别趋势与增长驱动、绘制竞争格局、评估进入壁垒、给出机会总结与建议。

技能机制的价值在于：同一份方法论可以被根 Agent 与子 Agent 复用，且通过 trigger 描述让模型在合适的场景自动选用，而非每次提示词都重新描述流程。

五、底层原理：同步/异步子 Agent 在框架中如何实现

5.1 三种子 Agent 形态

从框架源码 libs/deepagents/deepagents/graph.py 可以看到，create_agent的子 Agent 参数接受三种规格：

• SubAgent：声明式的同步子 Agent 规格；
• CompiledSubAgent：预编译的 runnable 子 Agent；
• AsyncSubAgent：远程/后台运行的子 Agent 规格。

其中AsyncSubAgent条目会被识别为异步子 Agent，可附带url与headers，以后台任务方式运行并暴露专门的异步子 Agent 工具（启动、监控、更新）。若未提供名为general-purpose的子 Agent，框架还会自动添加一个默认的通用同步子 Agent（可通过 profile 关闭），这解释了为何即使不显式声明，Agent 也具备通用的子任务委派能力。

5.2 异步子 Agent 中间件：基于 LangGraph SDK 的后台任务

libs/deepagents/deepagents/middleware/async_subagents.py 是实现异步子 Agent 的核心中间件，其设计要点：

• 任务模型AsyncTask：异步子 Agent 通过 LangGraph SDK 在远程Agent Protocol服务器上启动后台运行，与同步子 Agent「阻塞直至完成」不同，异步子 Agent 立即返回任务 ID，主 Agent 可一边监控进度、一边继续工作并发送更新。
• AsyncSubAgent配置字段：name（唯一标识）、description（主 Agent 据此决定何时委派）、graph_id（远程服务器上的图名或 assistant ID）、可选url（Agent Protocol 服务器地址，默认用 LangGraph SDK 的默认端点）与headers（自建服务器时传入自定义认证）。
• 认证处理：托管在 LangGraph Platform / LangSmith Deployment 时，SDK 自动通过环境变量（LANGGRAPH_API_KEY、LANGSMITH_API_KEY或LANGCHAIN_API_KEY）完成认证；自建服务器则通过headers传入。
• 本地 ASGI 传输：省略url时使用进程内 ASGI 传输对接本地服务器，但该传输仅对异步入口（如ainvoke）可用；同步invoke路径则必须提供可访问的 Agent Protocol 服务器 URL。

这与 GTM 示例的编排完全对应：content-writer正是作为异步后台任务运行，market-researcher则走同步路径先拿到报告再写策略。

六、实战：部署后如何交互

6.1 推荐的测试提示词

部署完成后，在 LangSmith 中打开该 Agent，可尝试以下三类输入：

• "We're launching a new Python SDK for AI agents next month — build me a GTM plan"（完整 GTM 计划）
• "Help us position our vector database product against Pinecone and Weaviate"（竞品定位）
• "We're targeting mid-market engineering teams — what channels should we prioritize?"（渠道优先级）

预期行为：Agent 先触发市场调研（同步等待报告），再综合产出策略，并并行启动内容简报的创作任务。

6.2 通过 LangGraph SDK 查询

除在 LangSmith 界面交互外，可通过 SDK 以代码方式发起流式会话：

from langgraph_sdk import get_client client = get_client(url="https://<your-deployment-url>") thread = await client.threads.create() async for chunk in client.runs.stream( thread["thread_id"], "agent", input={"messages": [{"role": "user", "content": "Build a GTM plan for our new Python SDK for AI agents"}]}, stream_mode="messages", ): print(chunk.data, end="", flush=True)

要点说明：

• 部署 URL 在 LangSmith 的Deployments页面中获取；
• stream_mode="messages"按消息粒度流式返回，chunk.data中即包含增量内容；
• 该 SDK 交互方式与异步子 Agent 中间件底层使用的langgraph_sdk客户端（get_client/get_sync_client）一脉相承，也就是说「部署的 Agent 本身可被 SDK 调用」与「Agent 内部通过 SDK 调用远程异步子 Agent」共享同一套传输协议，这正是 deepagents 云原生设计的一体两面。

七、扩展思路：把该模式迁移到自己的 Agent

结合上述源码与示例，若要复用该模式构建自有部署型 Agent，关键步骤可归纳为：

1. 目录即配置：按AGENTS.md（角色指令）+agent.json（模型/描述）+skills/（可复用方法论）+subagents/（子 Agent）的布局组织目录，子 Agent 放subagents/下即自动被发现接入；
2. 同步/异步分工：依赖因果关系的任务（先调研后决策）用同步子 Agent，长耗时、可并行的任务（内容创作、批处理）用异步子 Agent；
3. 内容落地：子 Agent 通过write_file将完整产物（如 Markdown 报告）落盘并返回路径，父 Agent 据此集成；
4. 模型分级：在各级agent.json中为父/子 Agent 分别配置模型档位，平衡质量与成本。

仓库中还提供了同类型的部署示例可对照参考：examples/deploy-coding-agent/README.md、examples/deploy-content-writer/README.md、examples/deploy-mcp-docs-agent/README.md，它们共同展示了deepagents deploy在不同业务域（编码审查、内容写作、文档检索）下的统一部署范式，而 GTM 示例是其中演示同步/异步混合编排最完整的样本。

【免费下载链接】deepagentsThe batteries-included agent harness.项目地址: https://gitcode.com/GitHub_Trending/de/deepagents