# Loop Engineering with LangChain Deep Agents

- 发布方：DeepLearning.AI（与 LangChain 合作）；作者：Sydney Runkle、Esmaeil Gargari
- 形式：短课程 · 英语
- 原始资源：[https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents](<https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents>)
- 本站页面：[https://oplearnx.com/resources/res\_2thmafshkc5f](<https://oplearnx.com/resources/res_2thmafshkc5f>)
- 学习主题：人工智能 / AI Agent；人工智能 / AI Agent / 工具调用与工作流；人工智能 / AI Agent / Agent 规划与执行
- 内容状态：状态待核验
- 原始发布时间：2026-10-28
- 本站首次收录：2026-10-29 06:52

## 能学到什么

完成课程后，学习者能理解并实现围绕 agent 的验证循环、事件驱动循环与爬坡循环，并用 LangChain Deep Agents 构建一个可自动触发、可自评、可跨多轮改进的需求分析 agent。

- 说清 agent、验证、事件驱动、爬坡四类循环各解决什么问题，以及它们如何叠加成一个更可靠的系统
- 用 LangChain Deep Agents 搭建一个软件需求分析 agent 的核心执行循环，让它自行决策、调用工具直至任务完成
- 加入验证循环：用评估器按明确评分标准检查输出，并在不合格时把反馈送回重试
- 把 agent 接到 Slack 消息、Jira 工单等外部事件上，实现自动触发分析与验证
- 分析多次运行的 trace，找出反复出现的问题，用于改进 agent 的 harness
- 把四类循环组装到同一个需求评审 agent 上，形成可长期稳定工作的流水线

## 适合我吗

- 适合：适合已在构建 AI Agent、希望让 agent 长时间稳定运行并具备自检与自我改进能力的开发者与产品人员。
- 需要留意：不适合完全没有编程经验、只想要 agent 概念科普的初学者；也不需要把它当作深度学习理论课程。

## 前置条件与费用

- 知识前置：页面说明建议熟悉 Python，才能充分完成动手实验；课程定位为 Intermediate。
- 软件、账号与硬件：Python 基础；DeepLearning.AI 学习平台账号（用于访问课程与作业）；可选安装 Python 与 LangChain Deep Agents 相关环境做本地练习。
- 内容费用：费用待核验：页面只给出课程大纲与报名入口，节选看不到视频或正文本身，也未明说课程学习内容是否免费；仅写明测验、项目与“accomplishment”需 Pro 订阅。
- 实践费用：实践可能产生费用：网页未说明练习是否需要付费 API 或云资源；但代码实验涉及 LLM 驱动的 agent，实际运行可能需要模型 API 额度，原站未说明。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- [DeepLearning.AI 学习平台账号](<https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents>)：登录并访问课程页面、课节与作业
- Python 环境：运行课中代码示例与 LoopEng AI Coding Lab
- [LangChain Deep Agents](<https://www.langchain.com/>)：课程使用的 agent 框架

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Loop Engineering with LangChain Deep Agents」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即课程中的 4 个代码示例与 LoopEng AI Coding Lab：从需求分析 agent 的核心执行循环开始，依次加验证评分与反馈重试、Slack/Jira 事件触发、以及基于多轮 trace 的 harness 改进。
课节（官方顺序）：
1. Introduction：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/k292hz/introduction
2. Overview of Loop Engineering：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/a4v41v/overview-of-loop-engineering
3. Deep Agent Primer：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/mosoyz/deep-agent-primer
4. Agent Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0imf/agent-loop
5. Verification Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/fw1wd8/verification-loop
6. Event-Driven Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/qjgjxu2m/event-driven-loop
7. Learning loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0ima/learning-loop
8. Conclusion：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/zqeqtx/conclusion
9. Quiz：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/depenb61/quiz
10. [Optional] Glossary：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/gyzy46/%5Boptional%5D-glossary
11. LoopEng AI Coding Lab：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/i1k1ol/loopeng-ai-coding-lab

1. 环境
- Python 3 环境
- LangChain Deep Agents 及相关依赖
- DeepLearning.AI 学习平台账号
- 可选：模型 API 额度
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
3. 目录（最外层放在我确认的位置）
loop-engineering-langchain-deep-agents/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-introduction/
    ├── 02-02-overview-of-loop-engineering/
    ├── 03-03-deep-agent-primer/
    ├── 04-04-agent-loop/
    ├── 05-05-verification-loop/
    ├── 06-06-event-driven-loop/
    ├── 07-07-learning-loop/
    ├── 08-08-conclusion/
    ├── 09-09-quiz/
    ├── 10-10-optional-glossary/
    └── 11-11-loopeng-ai-coding-lab/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import sys; print(sys.version)"  → 输出 Python 版本号，说明本地环境可用
  - 打开课程页确认 Course Outline 列出 8 Lessons、4 Code Examples  → 能看到 Agent Loop、Verification Loop、Event-Driven Loop、Learning loop 等课节
  - 运行 Agent Loop 示例代码  → agent 完成多轮工具调用并给出最终输出
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Loop Engineering with LangChain Deep Agents」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即课程中的 4 个代码示例与 LoopEng AI Coding Lab：从需求分析 agent 的核心执行循环开始，依次加验证评分与反馈重试、Slack/Jira 事件触发、以及基于多轮 trace 的 harness 改进。
课节（官方顺序）：
1. Introduction：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/k292hz/introduction
2. Overview of Loop Engineering：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/a4v41v/overview-of-loop-engineering
3. Deep Agent Primer：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/mosoyz/deep-agent-primer
4. Agent Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0imf/agent-loop
5. Verification Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/fw1wd8/verification-loop
6. Event-Driven Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/qjgjxu2m/event-driven-loop
7. Learning loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0ima/learning-loop
8. Conclusion：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/zqeqtx/conclusion
9. Quiz：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/depenb61/quiz
10. [Optional] Glossary：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/gyzy46/%5Boptional%5D-glossary
11. LoopEng AI Coding Lab：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/i1k1ol/loopeng-ai-coding-lab

1. 环境
- Python 3 环境
- LangChain Deep Agents 及相关依赖
- DeepLearning.AI 学习平台账号
- 可选：模型 API 额度
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
3. 目录（最外层放在我确认的位置）
loop-engineering-langchain-deep-agents/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-introduction/
    ├── 02-02-overview-of-loop-engineering/
    ├── 03-03-deep-agent-primer/
    ├── 04-04-agent-loop/
    ├── 05-05-verification-loop/
    ├── 06-06-event-driven-loop/
    ├── 07-07-learning-loop/
    ├── 08-08-conclusion/
    ├── 09-09-quiz/
    ├── 10-10-optional-glossary/
    └── 11-11-loopeng-ai-coding-lab/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import sys; print(sys.version)"  → 输出 Python 版本号，说明本地环境可用
  - 打开课程页确认 Course Outline 列出 8 Lessons、4 Code Examples  → 能看到 Agent Loop、Verification Loop、Event-Driven Loop、Learning loop 等课节
  - 运行 Agent Loop 示例代码  → agent 完成多轮工具调用并给出最终输出
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Loop Engineering with LangChain Deep Agents」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：练习即课程中的 4 个代码示例与 LoopEng AI Coding Lab：从需求分析 agent 的核心执行循环开始，依次加验证评分与反馈重试、Slack/Jira 事件触发、以及基于多轮 trace 的 harness 改进。
课节（官方顺序）：
1. Introduction：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/k292hz/introduction
2. Overview of Loop Engineering：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/a4v41v/overview-of-loop-engineering
3. Deep Agent Primer：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/mosoyz/deep-agent-primer
4. Agent Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0imf/agent-loop
5. Verification Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/fw1wd8/verification-loop
6. Event-Driven Loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/qjgjxu2m/event-driven-loop
7. Learning loop：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0ima/learning-loop
8. Conclusion：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/zqeqtx/conclusion
9. Quiz：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/depenb61/quiz
10. [Optional] Glossary：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/gyzy46/%5Boptional%5D-glossary
11. LoopEng AI Coding Lab：https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/i1k1ol/loopeng-ai-coding-lab

1. 环境
- Python 3 环境
- LangChain Deep Agents 及相关依赖
- DeepLearning.AI 学习平台账号
- 可选：模型 API 额度
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents
3. 目录（最外层放在我确认的位置）
loop-engineering-langchain-deep-agents/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-01-introduction/
    ├── 02-02-overview-of-loop-engineering/
    ├── 03-03-deep-agent-primer/
    ├── 04-04-agent-loop/
    ├── 05-05-verification-loop/
    ├── 06-06-event-driven-loop/
    ├── 07-07-learning-loop/
    ├── 08-08-conclusion/
    ├── 09-09-quiz/
    ├── 10-10-optional-glossary/
    └── 11-11-loopeng-ai-coding-lab/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import sys; print(sys.version)"  → 输出 Python 版本号，说明本地环境可用
  - 打开课程页确认 Course Outline 列出 8 Lessons、4 Code Examples  → 能看到 Agent Loop、Verification Loop、Event-Driven Loop、Learning loop 等课节
  - 运行 Agent Loop 示例代码  → agent 完成多轮工具调用并给出最终输出
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Loop Engineering with LangChain Deep Agents」。课程目录是 loop-engineering-langchain-deep-agents/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Introduction](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/k292hz/introduction>)
2. [Overview of Loop Engineering](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/a4v41v/overview-of-loop-engineering>)
3. [Deep Agent Primer](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/mosoyz/deep-agent-primer>)
4. [Agent Loop](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0imf/agent-loop>)
5. [Verification Loop](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/fw1wd8/verification-loop>)
6. [Event-Driven Loop](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/qjgjxu2m/event-driven-loop>)
7. [Learning loop](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/9i0ima/learning-loop>)
8. [Conclusion](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/zqeqtx/conclusion>)
9. [Quiz](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/depenb61/quiz>)
10. [\[Optional\] Glossary](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/gyzy46/%5Boptional%5D-glossary>)
11. [LoopEng AI Coding Lab](<https://learn.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents/lesson/i1k1ol/loopeng-ai-coding-lab>)

## 指南参考

- [课程主页](<https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：DeepLearning.AI 学习平台账号（登录后可访问课程页面与课节）；DeepLearning.AI Pro 订阅：页面标注 2 个 Graded Assignments 与成就徽章需 Pro；Python 环境与 LangChain Deep Agents 相关依赖（用于代码示例与 Coding Lab）；运行 agent 可能需要的大模型 API 额度（原站未说明）
- **内容提示**：付费内容：页面标注“2 Graded Assignments PRO”“Earn an accomplishment with PRO”，并写明 quizzes and projects are included with DeepLearning.AI Pro，即测验、代码作业与成就徽章需 Pro 订阅。
- 转载与修改 · 课程页面与材料：未找到明确许可。页面仅标注 © 2026 DeepLearning.AI 与使用条款、隐私政策，未给出课程材料的具体许可名称 [依据](<https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）