准备篇

AgentSeek CLI（上）— 用 create 命令快速搭建模板应用

在 GitHub 编辑此页

什么是 AgentSeek CLI

AgentSeek 是一个智能体工程化套件（Agent Engineering Toolkit），提供从脚手架搭建到部署的完整项目生命周期管理。它的专属命令行工具 AgentSeek CLI 是统一的操作入口。

安装完成后，运行 agentseek --help 可以看到完整的命令结构：

Usage: agentseek [OPTIONS] COMMAND [ARGS]...

AgentSeek project-lifecycle CLI. Scaffold, run, build, deploy, manage API
services, skills, and context.

╭─ Options ─────────────────────────────────────────────────────────╮
│ --help          Show this message and exit.                       │
╰───────────────────────────────────────────────────────────────────╯
╭─ Environment ─────────────────────────────────────────────────────╮
│ version  Show version information.                                │
╰───────────────────────────────────────────────────────────────────╯
╭─ Project ─────────────────────────────────────────────────────────╮
│ create   Create a new agent project from a pre-built template.    │
│ run      Start the project locally after completing .env config.  │
│ build    Build the project into a container image.                │
│ deploy   Generate deployment manifests (docker-compose / k8s).    │
╰───────────────────────────────────────────────────────────────────╯
╭─ Services ────────────────────────────────────────────────────────╮
│ api      Forward API runtime commands to `agentseek-api`.         │
│ ctx      ContextSeek — semantic context layer.                    │
│ skills   Manage agent skills via the upstream skills CLI.         │
╰───────────────────────────────────────────────────────────────────╯

本章聚焦 Project 分组中最常用的功能：agentseek create。

环境准备

前置要求

依赖版本要求说明
Python3.12+需要现代 Python 特性支持
uv最新版Python 包管理器，推荐统一使用
Node.js18+仅在运行含前端的模板时需要
npm9+前端依赖安装

本系列统一使用 uv 作为 Python 包管理器。安装方式：

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

安装 AgentSeek CLI

uv tool install agentseek-cli

安装完成后，验证版本：

agentseek version
# agentseek-cli 0.0.3

使用 agentseek create

第一步：查看可用模板

在创建之前，先看看线上有哪些模板可供选择：

agentseek create --list-templates

输出（模板列表会持续更新）：

  deepagents (3 templates)
  ────────────────────────────────────────────────────────────
    deepagents/content-builder
      DeepAgents content builder with brand memory, skills,
      subagents, image generation, and streamed UI.
    deepagents/default
      Local create_deep_agent runnable bound to agentseek-langchain.
    deepagents/research
      Pure DeepAgents research agent with Tavily search
      and streamed tool/sub-agent UI.

  langchain (4 templates)
  ────────────────────────────────────────────────────────────
    langchain/cli-remote
      Remote LangGraph CLI agent bridged via LangGraphClientRunnable.
    langchain/default
      LangChain create_agent + CopilotKit middleware
      over agentseek-langchain.
    langchain/markdown-messages
      Pure LangChain create_agent + langgraph dev backend,
      useStream + react-markdown frontend.
    langchain/sandbox
      DeepAgents sandbox coding agent with LangSmith sandbox backend.

  bub (2 templates)
  ────────────────────────────────────────────────────────────
    bub/contextseek
      Bub agent with ContextSeek semantic memory layer.
    bub/default
      Lightweight Bub agent: agentseek gateway + CopilotKit frontend.

  Usage:
    agentseek create <type>/<name>    e.g. agentseek create langchain/cli-remote
    agentseek create <type>           use default template for the type
    agentseek create                  interactive selection

所有模板源码托管在 AgentSeek 主仓库 的 templates/ 目录下，欢迎提 Issue 或 PR 贡献新模板。

第二步：创建模板应用

选定模板后，用一条命令创建。我们以 deepagents/research（深度研究）为例——这是一个经典的多子 Agent 并行调研场景：

agentseek create deepagents/research

系统会启动交互式引导（基于 Cookiecutter），提示你填写配置项：

project_name [deep-research]:           # 项目名称，直接回车用默认值
project_slug [deep_research]:           # 本地目录名
author [Your Name]:                     # 作者名称
model_provider [openai]:                # 模型供应商 (openai/anthropic/google)
model_name [gpt-4.1]:                   # 默认模型
include_frontend [yes]:                 # 是否包含前端演示界面

快速模式：如果不想逐项填写，使用 --no-input 跳过交互，全部使用默认值：

agentseek create deepagents/research --no-input

创建完成后，进入项目目录：

cd deep_research

第三步：了解项目结构

查看模板生成的文件：

.
├── src/                    # 后端 Agent 代码
│   ├── agent.py           # 主 Agent 定义
│   ├── graph.py           # LangGraph 图定义
│   ├── tools.py           # 工具函数
│   └── ...
├── frontend/              # 前端展示界面（Next.js）
│   ├── package.json
│   ├── src/
│   └── ...
├── .env.example           # 环境变量模板
├── langgraph.json         # LangGraph 部署配置
├── pyproject.toml         # Python 项目配置
└── README.md              # 模板使用说明（必读！）

两个核心目录：

配置环境变量

第四步：复制并编辑 .env 文件

cp .env.example .env

打开 .env 文件，你会看到如下结构：

# --- Model + provider connection -------------------------------------------
# 选择一个供应商，只填对应区块即可
AGENTSEEK_MODEL_PROVIDER=openai
AGENTSEEK_MODEL=gpt-4.1-mini

# OpenAI / OpenAI-compatible
OPENAI_API_BASE=
OPENAI_API_KEY=<your-openai-api-key>

# Qwen / DashScope (OpenAI-compatible)
# AGENTSEEK_MODEL_PROVIDER=qwen
# AGENTSEEK_MODEL=qwen3-max
# QWEN_API_BASE=https://dashscope.aliyuncs.com/compatible-mode/v1
# QWEN_API_KEY=<your-dashscope-api-key>

# Anthropic
# AGENTSEEK_MODEL_PROVIDER=anthropic
# AGENTSEEK_MODEL=claude-3-5-sonnet-latest
# ANTHROPIC_API_KEY=
# ANTHROPIC_API_URL=

# Gemini / Google
# AGENTSEEK_MODEL_PROVIDER=google_genai
# AGENTSEEK_MODEL=gemini-2.5-pro
# GOOGLE_API_KEY=
# GOOGLE_API_BASE=

# --- Tavily (required for tavily_search) ------------------------------------
# Get a key at https://app.tavily.com — free tier is enough.
TAVILY_API_KEY=<your-tavily-key>

# --- LangSmith (optional, for tracing) --------------------------------------
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=<your-langsmith-key>
# LANGSMITH_PROJECT=my-custom-project

配置要点

运行模板应用

第五步：安装依赖

uv sync
npm install --prefix frontend

第六步：启动后端

uv run langgraph dev --port 2024 --no-browser

后端默认监听 http://127.0.0.1:2024。去掉 --no-browser 参数会自动弹出 LangSmith Studio，可在线上查看 Graph 结构并调试。

第七步：启动前端

新开一个终端窗口：

npm run --prefix frontend dev

前端默认监听 http://127.0.0.1:5174。

第八步：验证前后端联通

打开 http://127.0.0.1:5174，尝试提问：

Research what LangGraph 1.0 added vs 0.x. Cite sources.

你会看到：

  1. Agent 自动生成了 To-Do List（任务列表）
  2. 多个 Sub-Agent（子智能体）被并行唤起
  3. 每个子任务完成后更新任务状态
  4. 最终生成完整的研究报告

在 LangSmith 中查看 Trace

此时切换到 LangSmith 界面，你可以看到：

这就是模板默认开启 LangSmith Tracing 的价值——开箱即用的全链路可观测性，无需额外配置。

常用操作速查

# 查看所有可用模板
agentseek create --list-templates

# 创建指定模板（交互式）
agentseek create deepagents/research

# 创建指定模板（跳过交互，使用默认值）
agentseek create deepagents/research --no-input

# 安装依赖
uv sync
npm install --prefix frontend

# 启动后端（弹出 LangSmith Studio）
uv run langgraph dev --port 2024

# 启动后端（静默模式）
uv run langgraph dev --port 2024 --no-browser

# 启动前端
npm run --prefix frontend dev

小结

本章你学会了：

  1. 安装 AgentSeek CLI（uv tool install agentseek-cli）
  2. 查看可用模板（agentseek create --list-templates）
  3. 一条命令创建模板应用（agentseek create deepagents/research）
  4. 配置环境变量（模型 Key + 搜索 Key + LangSmith Key）
  5. 前后端联调运行
  6. 在 LangSmith 中查看完整的 Agent 执行链路

如果在使用过程中遇到问题，欢迎到 GitHub Issues 提交反馈。

下一章我们将学习 AgentSeek CLI 的另一个核心功能——agentseek skills：当你基于模板开始定制开发时，如何通过安装开发技能来获得 AI 编码助手的专业指导。

相关资源

AgentSeek CLI — create 模板应用 B 站视频讲解