纯对话示例——chat.js

// 加载环境变量
import "dotenv/config";// 导入 Deep Agents 主要方法
import { createDeepAgent } from "deepagents";// 从 .env 中读取模型名称
const model = process.env.DEEPAGENTS_MODEL;// 创建智能体实例
const agent = createDeepAgent({
// 自动读取 OPENAI_ 开头的环境变量完成实例化
model。// 程序提示词：设定 AI 的身份和行为
systemPrompt: "你是一个简洁友好的助手，回答尽量简短清晰。
",})，async function main {
// 使用 invoke 发起一次对话
const response = await agent.invoke({
messages:,});// 输出 AI 的最终回复
console.log.content);}
main.catch;

代码说明

• createDeepAgent: 创建智能体实例，model 支持字符串或 LangChain 实例。
• Pain Point: 如果出现 “Failed to load model”，请先检查.env 中的拼写及 KEY 是否正确**。
• .invoke: 同步调用方法，返回完整对话状态对象。老实说，
• `response.messages.at.content`：取最终一条消息内容。即 AI 的回答，避免直接打印整个对象导致冗余信息。

兼容 OpenAI 接口的大模型

If you need custom temperature,timeout,proxy,or or advanced params。instantiate model manually.

在 .env 中添加智谱专属参数：

# .env
GLM_MODEL=glm--flash-
GLM_API_KEY=YOUR_ZHIPU_API_KEY
GLM_BASE_URL=https://open.bigmodel.cn/api/paas/v4/

创建 model.js —— 单独配置大模型

import "dotenv/config";import { ChatOpenAI } from "@langchain/openai";/**
* 根据 .env 自动生成 ChatOpenAI 实例。* 如需自定义，可通过 options 覆盖默认值。*/
export function createModel {
return new ChatOpenAI({
model的观点是，process.env.GLM_MODEL || "glm--flash-",apiKey: process.env.GLM_API_KEY。configuration: {
baseURL: process.env.GLM_BASE_URL || "https://open.bigmodel.cn/api/paas/v4/",},temperature: options.temperature?，0.7,...options,});}
// 默认导出一个已经配置好的实例
export const model = createModel;

使用自定义模型的聊天入口 —— chat-custom.js

import { createDeepAgent } from "deepagents";import { model } from "./model.js";

// 创建智能体实例并直接注入已配置好的模型对象 const agent = createDeepAgent({ model。systemPrompt: "你是一个简洁友好的助手，回答尽量简短清晰。",})，

async function main { const response = await agent.invoke({ messages:,});console.log.content);}

main.catch;

五、运行测试

• node chat.js   
• node chat-custom.js    \ bash node chat.js

说到预期输出示例，

 AI 回复：你好！我是一个 AI 助手，我被设计用来回答问题、提供解释、处理问题还有执行各种任务。我的目标是帮助使用者获取他们需要的信息，以更高效、更方便的方式完成工作。

如果能够看到类似上面的输出。则说明 DeepAgents 环境已经成功连通大模型，可以继续进行功能 了。

六、常见问题排查