LangChain lance Deep Agents pour des agents IA multi-étapes dotés de mémoire et d'isolation

LangChain a lancé Deep Agents, une bibliothèque autonome pour créer des agents IA qui ne se contentent pas du court cycle « requête → appel d'outil → réponse ». Elle vise les tâches plus longues, où l'agent doit planifier des étapes, conserver des résultats intermédiaires et ne pas tout mélanger dans un seul contexte surchargé.

Ce qui a été lancé

Le 15 mars 2026, LangChain a présenté Deep Agents comme une bibliothèque autonome construite au-dessus de ses composants de base pour agents. LangGraph reste le socle : c'est lui qui fournit l'exécution durable, le streaming, les scénarios human-in-the-loop et d'autres fonctions de runtime. Il ne s'agit donc ni d'un nouveau modèle ni d'un nouveau type de runtime, mais d'une structure architecturale prête à l'emploi pour les cas où un agent classique à base de tool-calling se met à flancher sur des tâches multi-étapes avec état et nombreux artefacts.

Deep Agents comble ainsi un vide pratique entre les démos d'agents simples et l'orchestration sur mesure que les équipes assemblent généralement elles-mêmes. Au lieu d'ajouter à la main un planificateur, une couche de fichiers, un stockage d'artefacts intermédiaires et une délégation de sous-tâches, le développeur obtient ces mécanismes d'emblée. LangChain souligne par ailleurs que, si la tâche est simple, on peut rester sur le `create_agent` habituel et que, si l'on veut un contrôle total, on peut passer à son propre workflow sur LangGraph.

«

Deep Agents est un agent harness », c'est ainsi que LangChain décrit le projet dans sa documentation.

Ce que contient le runtime

L'idée centrale de Deep Agents est de fournir d'emblée à l'agent non seulement un modèle et un ensemble de fonctions externes, mais aussi un environnement de travail pour une longue session. La livraison standard comprend des outils intégrés de planification, de gestion de fichiers, d'exécution de commandes et de délégation. L'agent n'a ainsi pas à improviser chaque étape à partir du prompt courant et peut mener sa tâche de façon plus structurée.

• `write_todos` — découpe une tâche complexe en étapes et suit la progression
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — travail sur les fichiers et les artefacts intermédiaires
• `execute` — exécution de commandes shell dans des scénarios de sandbox
• `task` — appel de sous-agents au contexte isolé
• auto-résumé et mémoire à long terme connectable entre les threads

La couche de fichiers est particulièrement importante. Dans bien des systèmes d'agents, le mot « mémoire » sonne bien, mais en pratique tout se heurte à une fenêtre de contexte saturée. Deep Agents adopte une approche plus terre à terre : notes, extraits de code, rapports, résultats de recherche et autres sorties volumineuses peuvent être déplacés vers un système de fichiers interne, puis rappelés au besoin. La documentation décrit aussi plusieurs backends, de l'état en mémoire au disque local, en passant par des backends de store et des environnements sandbox.

Pourquoi cela intéresse les développeurs

Le principal problème des longues tâches d'agents est connu de longue date : plus les objectifs, les solutions provisoires, les journaux d'outils et les détails annexes s'accumulent dans un même thread, moins l'agent garde le cap. Deep Agents répond avec deux mécanismes à la fois. Le premier est la planification explicite via une liste de tâches. Le second, les sous-agents, auxquels on peut confier des sous-tâches distinctes sans polluer le contexte principal. Pour la recherche, le code, l'analytique et la préparation de rapports, c'est nettement plus pratique que de gonfler indéfiniment un seul prompt.

Un autre point mérite l'attention : Deep Agents ne coupe pas le développeur de l'infrastructure LangGraph. La fonction `create_deep_agent(...)` renvoie un compiled graph prêt à l'emploi, utilisable avec le streaming, les checkpointers, Studio et d'autres fonctions standard de la pile. Autrement dit, ce n'est pas une surcouche fermée au-dessus du runtime, mais un graphe prêt à l'emploi aux règles préconfigurées. C'est pratique pour une équipe : on démarre vite, puis on ajuste peu à peu le modèle, les permissions, l'approbation humaine, le memory store et ses propres outils pour un scénario de production.

Inutile toutefois d'attendre de la magie. Deep Agents ne règle pas automatiquement les questions de sécurité, de qualité des outils ou de conception du workflow lui-même. Si l'on donne à l'agent des droits trop larges, un mauvais sandbox ou un schéma de mémoire fragile, les problèmes ne disparaîtront pas. Mais comme point de départ pour des agents multi-étapes, la bibliothèque paraît nettement plus mûre que la plupart des modèles du type « un agent en cinq minutes ».

Ce que cela signifie

Le marché des frameworks d'agents glisse du simple appel d'outils vers des approches de runtime plus structurées. Pour les équipes qui veulent amener les agents IA vers de vraies tâches de recherche, d'analyse et d'ingénierie, Deep Agents peut devenir une couche intermédiaire commode entre la démo jouet et l'orchestration entièrement sur mesure.