LangChain lanza Deep Agents para agentes de IA de varios pasos con memoria y aislamiento

LangChain ha lanzado Deep Agents, una biblioteca independiente para crear agentes de IA a los que se les queda corto el ciclo breve de «solicitud → llamada a una herramienta → respuesta». Está pensada para tareas más largas, en las que el agente debe planificar pasos, guardar resultados intermedios y no mezclarlo todo en un único contexto sobrecargado.

Qué se ha lanzado

El 15 de marzo de 2026, LangChain presentó Deep Agents como una biblioteca independiente construida sobre sus componentes básicos para agentes. La base sigue siendo LangGraph: es quien aporta ejecución durable, streaming, escenarios human-in-the-loop y otras capacidades de runtime. Es decir, no se trata de un modelo nuevo ni de un nuevo tipo de runtime, sino de una estructura arquitectónica lista para los casos en que un agente convencional con tool-calling empieza a fallar en tareas de varios pasos con estado y muchos artefactos.

Deep Agents cubre así un hueco práctico entre las demos sencillas de agentes y la orquestación a medida que los equipos suelen montar por su cuenta. En lugar de añadir a mano un planificador, una capa de archivos, almacenamiento de artefactos intermedios y delegación de subtareas, el desarrollador recibe estos mecanismos de serie. LangChain subraya además que, si la tarea es simple, se puede seguir con el habitual `create_agent`, y que, si hace falta control total, se puede pasar a un workflow propio en LangGraph.

«Deep

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

Qué hay dentro del runtime

La idea clave de Deep Agents es que el agente recibe desde el principio no solo un modelo y un conjunto de funciones externas, sino también un entorno de trabajo para una sesión larga. La distribución estándar incluye herramientas integradas para planificar, trabajar con archivos, ejecutar comandos y delegar. Gracias a ello, el agente puede llevar la tarea de forma más estructurada, sin improvisar cada paso a partir del prompt actual.

• `write_todos` — divide una tarea compleja en pasos y sigue el progreso
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — trabajo con archivos y artefactos intermedios
• `execute` — ejecución de comandos de shell en escenarios de sandbox
• `task` — llamada a subagentes con contexto aislado
• autorresumen y memoria a largo plazo conectable entre hilos

La capa de archivos es especialmente importante. En muchos sistemas de agentes la palabra «memoria» suena bien, pero en la práctica todo termina chocando con una ventana de contexto saturada. Deep Agents propone un enfoque más terrenal: notas, fragmentos de código, informes, resultados de búsqueda y otras salidas voluminosas pueden trasladarse a un sistema de archivos interno y recuperarse cuando haga falta. La documentación describe también varios backends, desde el estado en memoria hasta el disco local, backends de store y entornos sandbox.

Para qué le sirve a los desarrolladores

El principal problema de las tareas largas de agentes es conocido desde hace tiempo: cuantos más objetivos, soluciones provisionales, registros de herramientas y detalles secundarios se acumulan en un mismo hilo, peor mantiene el rumbo el agente. Deep Agents responde con dos mecanismos a la vez. El primero es la planificación explícita mediante una lista de tareas. El segundo, los subagentes, a los que se pueden encargar subtareas concretas sin ensuciar el contexto principal. Para investigación, programación, analítica y elaboración de informes, resulta bastante más práctico que ir engordando sin fin un solo prompt.

Hay otro matiz importante: Deep Agents no aísla al desarrollador de la infraestructura de LangGraph. La función `create_deep_agent(...)` devuelve un compiled graph listo que puede usarse con streaming, checkpointers, Studio y otras funciones estándar del stack. En otras palabras, no es una capa cerrada sobre el runtime, sino un grafo listo con reglas preconfiguradas. Para un equipo resulta cómodo: se puede empezar rápido y luego ir ajustando el modelo, los permisos, la aprobación humana, el memory store y las herramientas propias para un escenario de producción.

Aun así, no conviene esperar magia. Deep Agents no resuelve automáticamente la seguridad, la calidad de las herramientas ni el diseño del propio workflow. Si se da al agente permisos demasiado amplios, un sandbox deficiente o un esquema de memoria débil, los problemas no desaparecerán. Pero como punto de partida para agentes de varios pasos, la biblioteca parece bastante más madura que la mayoría de plantillas del tipo «un agente en cinco minutos».

Qué significa

El mercado de frameworks de agentes se desplaza de la simple llamada a herramientas hacia enfoques de runtime más estructurados. Para los equipos que quieren llevar los agentes de IA a tareas reales de investigación, analítica e ingeniería, Deep Agents puede convertirse en una capa intermedia cómoda entre la demo de juguete y la orquestación totalmente a medida.