A maioria dos agentes LLM funciona bem para loops curtos de chamada de ferramenta, mas começa a falhar quando a tarefa se torna multi-etapas, com estado e rica em artefatos. O Deep Agents da LangChain foi projetado para essa lacuna. O projeto é descrito pela LangChain como um 'agente harness': uma biblioteca autônoma construída sobre os blocos de construção de agentes da LangChain e alimentada pelo runtime LangGraph para execução durável, streaming e fluxos de trabalho com humanos no ciclo. O ponto importante é que o Deep Agents não introduz um novo modelo de raciocínio ou um novo runtime separado do LangGraph. Em vez disso, ele empacota um conjunto de padrões e ferramentas embutidas em torno do loop padrão de chamada de ferramenta. A equipe da LangChain o posiciona como o ponto de partida mais fácil para desenvolvedores que precisam de agentes que possam planejar, gerenciar grande contexto, delegar subtarefas e persistir informações entre conversas, ao mesmo tempo em que mantém a opção de migrar para agentes LangChain mais simples ou fluxos de trabalho LangGraph personalizados quando necessário. O que o Deep Agents Inclui por Padrão O repositório GitHub do Deep Agents lista os principais componentes diretamente. Estes incluem uma ferramenta de planejamento chamada write_todos, ferramentas de sistema de arquivos como read_file, write_file, edit_file, ls, glob e grep, acesso ao shell por meio de execute com sandboxing, a ferramenta task para gerar subagentes e recursos internos de gerenciamento de contexto, como auto-resumo e salvamento de grandes saídas em arquivos. Essa estrutura é importante porque muitos sistemas de agentes deixam o planejamento, o armazenamento intermediário e a delegação de subtarefas para o desenvolvedor da aplicação. O Deep Agents move essas peças para o runtime padrão. Planejamento e Decomposição de Tarefas O Deep Agents inclui uma ferramenta write_todos integrada para planejamento e decomposição de tarefas. O propósito é explícito: o agente pode dividir uma tarefa complexa em etapas discretas, acompanhar o progresso e atualizar o plano à medida que novas informações surgem. Sem uma camada de planejamento, o modelo tende a improvisar cada etapa a partir do prompt atual. Com write_todos, o fluxo de trabalho se torna mais estruturado, o que é mais útil para tarefas de pesquisa, sessões de codificação ou trabalhos de análise que se desenvolvem em várias etapas. Gerenciamento de Contexto Baseado em Sistema de Arquivos Um segundo recurso central é o uso de ferramentas de sistema de arquivos para gerenciamento de contexto. Essas ferramentas permitem que o agente descarregue grandes contextos para armazenamento, em vez de manter tudo dentro da janela de prompt ativa. A equipe da LangChain observa explicitamente que isso ajuda a evitar o estouro da janela de contexto e suporta resultados de ferramentas de comprimento variável. Este é um design mais concreto.
Fonte: MarkTechPost
Publicado em 2026-03-15