LangChain تطلق Deep Agents لبناء وكلاء ذكاء اصطناعي متعددي الخطوات مع الذاكرة والعزل

أطلقت LangChain مكتبة Deep Agents، وهي مكتبة مستقلة لإنشاء وكلاء ذكاء اصطناعي لا تكفيهم الدورة القصيرة «طلب ← استدعاء أداة ← إجابة». صُمّمت المكتبة للمهام الأطول، حيث يحتاج الوكيل إلى تخطيط الخطوات وحفظ النتائج الوسيطة وعدم حشر كل شيء في سياق واحد مثقل.

ماذا أُطلق

في 15 مارس 2026 قدّمت LangChain مكتبة Deep Agents بوصفها مكتبة مستقلة فوق مكوّناتها الأساسية الخاصة بالوكلاء. يبقى LangGraph هو الأساس: فهو الذي يوفّر التنفيذ المتين (durable execution) والبث المتدفق (streaming) وسيناريوهات human-in-the-loop وغيرها من إمكانات runtime. أي أن الأمر لا يتعلق بنموذج جديد ولا بنوع جديد من بيئات التشغيل، بل بطبقة معمارية جاهزة للحالات التي يبدأ فيها وكيل tool-calling العادي بالتعثر في المهام متعددة الخطوات التي تحتفظ بالحالة وتنتج عددًا كبيرًا من الملفات والمخرجات الوسيطة.

عمليًا، تسدّ Deep Agents فجوة عملية بين عروض الوكلاء البسيطة والتنسيق المخصص الذي تبنيه الفرق عادةً بنفسها. فبدلًا من إضافة مخطِّط وطبقة ملفات وتخزين للمخرجات الوسيطة وتفويض المهام الفرعية يدويًا، يحصل المطوّر على هذه الآليات جاهزة. وتؤكد LangChain في الوقت نفسه أنه إذا كانت المهمة بسيطة فيمكن البقاء على `create_agent` المعتاد، وإذا لزم تحكم كامل فيمكن الانتقال إلى workflow خاص على LangGraph.

«Deep

Agents هو agent harness»، هكذا تصف LangChain المشروع في وثائقه.

ماذا يوجد داخل runtime

الفكرة المحورية في Deep Agents أن الوكيل لا يحصل على نموذج ومجموعة دوال خارجية فحسب، بل على بيئة عمل لجلسة طويلة. وتتضمن الحزمة القياسية أدوات مدمجة للتخطيط والعمل مع الملفات وتشغيل الأوامر والتفويض. بفضل ذلك لا يضطر الوكيل إلى ارتجال كل خطوة تالية من الموجّه (prompt) الحالي، بل يمكنه إدارة المهمة بصورة أكثر تنظيمًا.

• `write_todos` — تقسيم المهمة المعقدة إلى خطوات وتتبّع التقدم
• `read_file` و`write_file` و`edit_file` و`ls` و`glob` و`grep` — العمل مع الملفات والمخرجات الوسيطة
• `execute` — تشغيل أوامر shell في سيناريوهات sandbox
• `task` — استدعاء وكلاء فرعيين بسياق معزول
• تلخيص تلقائي وذاكرة طويلة الأمد قابلة للتوصيل بين الـ threads

وتبرز أهمية طبقة الملفات تحديدًا. ففي كثير من أنظمة الوكلاء تبدو كلمة «الذاكرة» جذابة، لكنها عمليًا تصطدم بنافذة سياق ممتلئة. تقترح Deep Agents نهجًا أكثر واقعية: يمكن نقل الملاحظات ومقاطع الكود والتقارير ونتائج البحث وغيرها من المخرجات الكبيرة إلى نظام ملفات داخلي، ثم استرجاعها عند الحاجة. كما تصف الوثائق خيارات backend مختلفة، من الحالة داخل الذاكرة (in-memory) إلى القرص المحلي وواجهات store الخلفية وبيئات sandbox.

لماذا يهمّ ذلك المطوّرين

مشكلة المهام الطويلة للوكلاء معروفة منذ زمن: كلما تراكمت في thread واحد أهداف وحلول مؤقتة وسجلات أدوات وتفاصيل جانبية، ساء احتفاظ الوكيل بمساره. وتتعامل Deep Agents مع ذلك بآليتين معًا. الأولى هي التخطيط الصريح عبر قائمة todo. والثانية هي الوكلاء الفرعيون الذين يمكن إسناد مهام جزئية منفصلة إليهم دون تلويث السياق الرئيسي. وفي مهام البحث والبرمجة والتحليلات وإعداد التقارير يبدو هذا النهج أكثر عملية بوضوح من التوسيع المتواصل لموجّه واحد.

وهناك نقطة مهمة أخرى: Deep Agents لا تفصل المطوّر عن بنية LangGraph التحتية. فالدالة `create_deep_agent(...)` تعيد compiled graph جاهزًا يمكن استخدامه مع البث المتدفق ونقاط التحقق (checkpointers) وStudio وغيرها من الإمكانات القياسية في المنظومة. بعبارة أخرى، ليست هذه طبقة مغلقة فوق بيئة التشغيل، بل رسم بياني جاهز بقواعد مهيّأة مسبقًا. وهذا مريح للفريق: يمكن البدء بسرعة، ثم ضبط النموذج والصلاحيات (permissions) والموافقة البشرية (human approval) وmemory store والأدوات الخاصة تدريجيًا بما يناسب سيناريو الإنتاج.

ومع ذلك لا ينبغي توقّع السحر. فـ Deep Agents لا تحلّ تلقائيًا مسائل الأمان أو جودة الأدوات أو تصميم الـ workflow نفسه. وإذا مُنح الوكيل صلاحيات واسعة جدًا، أو sandbox سيئة، أو مخطط ذاكرة ضعيفًا، فلن تختفي المشكلات. لكن كنقطة انطلاق للوكلاء متعددي الخطوات، تبدو المكتبة أنضج بوضوح من معظم القوالب التي تدّعي «وكيل في خمس دقائق».

ماذا يعني ذلك

يتجه سوق أطر عمل الوكلاء من الاستدعاء البسيط للأدوات نحو مقاربات runtime أكثر تنظيمًا. وبالنسبة للفرق التي تريد نقل وكلاء الذكاء الاصطناعي إلى مهام بحثية وتحليلية وهندسية حقيقية، قد تصبح Deep Agents طبقة وسيطة مريحة بين العرض التجريبي البسيط والتنسيق المخصص بالكامل.