---
title: Agent 与线程
description: 了解 DeerFlow 中 Agent 与线程的关系，以及如何管理自定义 Agent 和对话线程。
---
import { Callout, Cards, Steps } from "nextra/components";
# Agent 与线程
Agent 是配置单元——它们定义了一组能力。线程是对话实例，带有持久化状态和历史记录。
## 自定义 Agent
DeerFlow 允许你创建多个具有不同专业领域的自定义 Agent。每个 Agent 使用 DeerFlow Harness 相同的 Lead Agent 运行时，但具有不同的：
- 模型（例如为一个 Agent 使用 GPT-4o，为另一个使用 Claude）
- 系统提示和指令
- 技能（例如专注于数据分析的 Agent 只加载数据分析技能）
- 工具访问（通过工具组）
### 创建自定义 Agent
#### 通过界面
1. 打开 DeerFlow 应用。
2. 点击侧边栏中的 **Agents**（Agent 管理）。
3. 点击 **New Agent**（新建 Agent）。
4. 填写名称、描述和配置。
5. 保存——Agent 立即可用，无需重启。
#### 通过 API
```bash
curl -X POST http://localhost:8001/api/agents \
-H "Content-Type: application/json" \
-d '{
"display_name": "数据分析师",
"description": "专业的数据分析和可视化",
"skills": ["data-analysis", "chart-visualization"]
}'
```
### Agent 名称和 Slug
创建 Agent 时，`display_name` 对用户显示，系统内部使用自动派生的 ASCII `slug`（`name` 字段）来标识 Agent。
- `display_name`：对用户显示的任意字符串（例如 "数据分析师"）
- `name`（slug）：用于 API 和文件路径的 ASCII 标识符（例如 `data-analyst`）
如果派生的 slug 与现有 Agent 冲突，`/api/agents/check` 端点会建议一个唯一的替代名称。
### Agent 存储
自定义 Agent 配置存储在 `backend/agents/{name}/config.yaml` 中。你可以直接编辑这些文件——更改在下次 Agent 调用时自动加载。
## 线程生命周期
线程是对话及其所有相关状态的完整封装：消息历史、产出物、待办列表和检查点数据。
### 创建
线程在你发送第一条消息时创建。线程 ID 是自动生成的 UUID（由前端生成），用于标识所有后续请求中的对话。
### 执行
每次你发送消息，LangGraph 从最新检查点恢复线程状态，运行 Lead Agent，并更新状态。流式事件在 Agent 工作时发送到浏览器。
### 检查点和持久化
DeerFlow 在每次 Agent 轮次后自动保存线程状态（如果配置了检查点器）。这允许：
- 在服务器重启后恢复线程。
- 在长时间间隔后继续对话。
- 在出现问题时重放或从特定时间点恢复。
配置检查点器：
```yaml
checkpointer:
type: sqlite
connection_string: .deer-flow/checkpoints.db
```
对于生产高负载环境使用 Redis：
```yaml
checkpointer:
type: redis
connection_string: redis://localhost:6379/0
```
### 线程数据目录
每个线程在 `.deer-flow/threads/{thread_id}/` 下有一个专用目录：
```
.deer-flow/threads/{thread_id}/
user-data/
uploads/ ← 用户上传的文件
outputs/ ← Agent 生成的产出物
workspace/ ← 会话工作文件
```
删除线程会移除其检查点数据，但用户数据目录会单独管理（取决于删除配置）。
### 恢复线程
线程以其持久化状态自动恢复。从侧边栏选择任何过往线程即可从停止处继续——Agent 会记住所有消息和产出物。