LangChain lanzó Deep Agents para agentes de AI de varios pasos con memoria y aislamiento

LangChain lanzó Deep Agents — una biblioteca separada para crear agentes de IA que van más allá del simple ciclo "solicitud → llamada de herramienta → respuesta". Está diseñada para tareas más largas, donde un agente necesita planificar pasos, almacenar resultados intermedios y evitar meter todo en una única ventana de contexto sobrecargada.

Qué se lanzó

El 15 de marzo de 2026, LangChain presentó Deep Agents como una biblioteca separada construida sobre sus componentes principales de agentes. LangGraph sigue siendo la base: es lo que proporciona ejecución durable, streaming, escenarios human-in-the-loop y otras capacidades de runtime. Así que no hablamos de un nuevo modelo ni de un nuevo tipo de runtime, sino de un andamiaje arquitectónico listo para casos donde los agentes de llamada de herramienta ordinarios comienzan a fallar en tareas de múltiples pasos con estado y gran cantidad de artefactos.

Esencialmente, Deep Agents cierra la brecha práctica entre demostraciones simples de agentes y orquestración personalizada que los equipos normalmente construyen por sí solos. En lugar de agregar manualmente un planificador, capa de archivo, almacenamiento de artefactos intermedios y delegación de tareas, los desarrolladores obtienen estos mecanismos listos para usar. LangChain subraya por separado: si la tarea es simple, puedes quedarte con el estándar `create_agent`, y si necesitas control total, puedes ir a tu propio workflow en LangGraph.

"Deep

Agents es un agent harness", así es como LangChain describe el proyecto en su documentación.

Qué hay dentro del runtime

La idea clave detrás de Deep Agents es que un agente recibe no solo un modelo y un conjunto de funciones externas, sino también un entorno de trabajo para una sesión larga. El paquete estándar incluye herramientas integradas para planificación, manejo de archivos, ejecución de comandos y delegación. Esto permite que un agente conduzca tareas de manera más estructurada en lugar de improvisar cada siguiente paso a partir del prompt actual.

• `write_todos` — desglosar tareas complejas en pasos y rastrear el progreso
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — trabajar con archivos y artefactos intermedios
• `execute` — ejecutar comandos de shell en escenarios de sandbox
• `task` — invocar sub-agentes con contexto aislado
• auto-resumen y memoria a largo plazo conectable entre threads

La capa de archivo es particularmente importante. En muchos sistemas de agentes, la palabra "memoria" suena atractiva, pero en la práctica todo se reduce a una ventana de contexto desbordante. Deep Agents ofrece un enfoque más práctico: notas, fragmentos de código, informes, resultados de búsqueda y otras salidas grandes se pueden exportar a un sistema de archivo interno y recuperar según sea necesario. La documentación también describe diferentes opciones de backend — desde estado en memoria hasta disco local, backends de almacenamiento y entornos de sandbox.

Por qué a los desarrolladores les debería importar

El problema principal con tareas largas de agentes se ha conocido durante un tiempo: cuanto más objetivos, soluciones temporales, registros de herramientas y detalles secundarios se acumulan en un único hilo, peor el agente mantiene el rumbo. Deep Agents aborda esto con dos mecanismos a la vez. El primero es la planificación explícita a través de una lista de tareas.

El segundo son sub-agentes, a los que se pueden asignar tareas separadas sin contaminar el contexto principal. Para tareas de investigación, codificación, análisis y preparación de informes, esto parece considerablemente más práctico que construir endlessly un único prompt. Hay otro matiz importante: Deep Agents no corta a los desarrolladores de la infraestructura de LangGraph.

La función `create_deep_agent(...)` devuelve un grafo compilado listo que se puede usar con streaming, checkpointers, Studio y otras características estándar de la stack. En otras palabras, no es una superposición cerrada encima del runtime, sino un grafo listo con reglas preconfiguradas.

Para los equipos, esto es conveniente: puedes comenzar rápidamente y luego ajustar gradualmente el modelo, permisos, aprobación humana, almacén de memoria y herramientas personalizadas para tu escenario de producción. Dicho esto, no esperes magia. Deep Agents no resuelve automáticamente cuestiones de seguridad, calidad de herramientas o diseño de workflow.

Si a un agente se le otorgan permisos demasiado amplios, un sandbox pobre o un esquema de memoria débil, los problemas no desaparecerán. Pero como punto de partida para agentes de múltiples pasos, la biblioteca parece notablemente más madura que la mayoría de las plantillas en el espíritu de "agente en cinco minutos".

Qué significa esto

El mercado de frameworks de agentes se está desplazando de simple llamada de herramientas a enfoques de runtime más estructurados. Para equipos que quieren llevar agentes de IA a tareas reales de investigación, análisis e ingeniería, Deep Agents puede convertirse en una capa intermedia conveniente entre demostraciones de juguete y orquestración completamente personalizada.