LangChain presenta Deep Agents, una capa sobre LangGraph para tareas largas y complejas

LangChain ha lanzado Deep Agents, una biblioteca de Python independiente para crear sistemas de agentes «profundos» sobre LangChain y LangGraph. La idea es eliminar del proyecto de agentes típico la rutina de montar grafos a mano, gestionar el contexto y delegar subtareas.

No es otro grafo más

Muchos equipos siguen un camino parecido: empiezan con las cadenas habituales de LangChain, chocan con los límites de los pipelines simples y pasan a LangGraph. Allí tienen que construir estado, transiciones condicionales, bucles, streaming y lógica de ejecución antes de que el agente haya empezado a resolver el problema de negocio. Deep Agents intenta subir el nivel de abstracción y asumir esa capa de infraestructura. Así, el equipo dedica menos tiempo al plumbing y más a la lógica propia del agente.

LangChain describe Deep Agents como un agent harness: una envoltura que usa LangGraph por debajo, pero con valores por defecto más rígidos. Al desarrollador no se le ofrece un kit de primitivas, sino un marco listo para escenarios largos y de varios pasos. Arrancar es muy sencillo: una función create_deep_agent(), una lista de herramientas y un prompt de sistema, y la biblioteca gestiona el ciclo de trabajo del agente. Por eso el lanzamiento se presenta como un acelerador del desarrollo y no como otra capa de abstracción por sí misma.

LangGraph aporta el motor y la transmisión.

Deep Agents aporta el coche.

Qué hay en la caja

La apuesta principal de Deep Agents no es un modelo nuevo ni un protocolo nuevo, sino un conjunto de mecanismos integrados que cada equipo suele tener que diseñar de nuevo. Eso es lo que hace notable el lanzamiento: LangChain intenta estandarizar patrones que ya se repiten en agentes en producción. No se trata de teoría, sino de los cuellos de botella típicos que casi siempre aparecen en sesiones largas de agentes.

• write_todos para la planificación integrada: el agente divide la tarea en pasos, sigue su estado y actualiza el plan sobre la marcha.
• Un sistema de archivos virtual con ls, read_file, write_file, edit_file, glob y grep, para sacar resultados largos de la ventana de contexto.
• Una herramienta task para lanzar subagentes que resuelven subtareas concretas en un contexto aislado.
• Resumen automático cuando el historial de la conversación crece y se acerca al límite de la ventana del modelo.
• Memoria a largo plazo entre sesiones e hilos mediante el backend LangGraph Store.

La documentación incluye un ejemplo práctico: un agente de investigación primero traza un plan, luego reúne datos de búsqueda, guarda los resultados pesados en el sistema de archivos, delega parte del trabajo en un subagente si hace falta y al final elabora un informe. Para el desarrollador es una única capa de alto nivel, aunque por dentro sigue funcionando LangGraph. Además, LangChain promociona una versión CLI de Deep Agents: un agente de código para terminal basado en el mismo SDK.

Dónde resulta útil

Deep Agents está pensado claramente no para chatbots con una sola llamada a herramientas, sino para escenarios más largos: investigar un tema, asistentes de código, flujos de trabajo autónomos y tareas con gran volumen de datos intermedios y memoria entre sesiones. Si el agente necesita planificar, leer y escribir archivos, guardar artefactos, dividir el trabajo en subtareas y no perder el hilo tras decenas de pasos, una capa así sí puede ahorrar mucho tiempo.

Pero no sustituye a cualquier stack. Para agentes simples, la propia LangChain recomienda quedarse con create_agent, y si hace falta un control muy preciso de la topología del grafo, trabajar directamente con LangGraph. Deep Agents es una herramienta para los casos en que importan más la rapidez de montaje y las soluciones prefabricadas que el control manual total de cada estado y transición. En esencia, LangChain propone un enfoque más opinionated: menos libertad, pero también menos rutina de ingeniería.

Qué significa

El lanzamiento de Deep Agents muestra que el mercado de sistemas de agentes se desplaza de las demos básicas hacia la estandarización de la infraestructura. La siguiente fase de la competencia ya no es solo «el agente sabe llamar a herramientas», sino «el agente puede trabajar mucho tiempo, recordar, planificar y no desmoronarse por el volumen de contexto».