LangChain a publié Deep Agents pour des agents AI multi-étapes avec mémoire et isolation

LangChain a lancé Deep Agents — une bibliothèque distincte pour créer des agents IA qui dépassent le simple cycle « demande → appel d'outil → réponse ». Elle est conçue pour des tâches plus longues, où un agent a besoin de planifier les étapes, de stocker les résultats intermédiaires et d'éviter de mettre tout dans une seule fenêtre de contexte surchargée.

Ce qui a été lancé

Le 15 mars 2026, LangChain a présenté Deep Agents comme une bibliothèque distincte construite sur ses composants d'agent principaux. LangGraph reste la base : c'est lui qui fournit l'exécution durable, le streaming, les scénarios human-in-the-loop et d'autres capacités de runtime. Nous ne parlons donc pas d'un nouveau modèle ou d'un nouveau type de runtime, mais plutôt d'un échafaudage architectural prêt à l'emploi pour les cas où les agents d'appel d'outil ordinaires commencent à s'effondrer sur des tâches multi-étapes avec état et grande quantité d'artefacts.

Essentiellement, Deep Agents comble le fossé pratique entre les démos d'agents simples et l'orchestration personnalisée que les équipes construisent habituellement elles-mêmes. Au lieu d'ajouter manuellement un planificateur, une couche de fichiers, un stockage d'artefacts intermédiaires et une délégation de tâches, les développeurs obtiennent ces mécanismes prêts à l'emploi. LangChain souligne séparément : si la tâche est simple, vous pouvez rester avec le standard `create_agent`, et si vous avez besoin d'un contrôle total, vous pouvez aller à votre propre workflow sur LangGraph.

«

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

Ce qui se trouve à l'intérieur du runtime

L'idée clé derrière Deep Agents est qu'un agent reçoit non seulement un modèle et un ensemble de fonctions externes, mais aussi un environnement de travail pour une session longue. Le package standard inclut des outils intégrés pour la planification, la gestion des fichiers, l'exécution de commandes et la délégation. Cela permet à un agent de mener les tâches de manière plus structurée plutôt que d'improviser chaque étape suivante à partir de l'invite actuelle.

• `write_todos` — décomposer les tâches complexes en étapes et suivre la progression
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — travailler avec des fichiers et des artefacts intermédiaires
• `execute` — exécuter des commandes shell dans des scénarios de sandbox
• `task` — invoquer des sous-agents avec un contexte isolé
• auto-résumé et mémoire à long terme connectible entre les threads

La couche de fichiers est particulièrement importante. Dans de nombreux systèmes d'agents, le mot « mémoire » semble attrayant, mais en pratique tout se résume à une fenêtre de contexte débordante. Deep Agents propose une approche plus pragmatique : les notes, les fragments de code, les rapports, les résultats de recherche et autres grandes sorties peuvent être exportés vers un système de fichiers interne et récupérés selon les besoins. La documentation décrit également différentes options de backend — de l'état en mémoire au disque local, aux backends de stockage et aux environnements de sandbox.

Pourquoi les développeurs devraient s'en soucier

Le principal problème des tâches d'agents longues est connu depuis longtemps : plus il y a d'objectifs, de solutions temporaires, de journaux d'outils et de détails accessoires qui s'accumulent dans un seul thread, plus l'agent perd le cap. Deep Agents résout ce problème avec deux mécanismes à la fois. Le premier est la planification explicite par une liste de tâches.

Le second sont les sous-agents, auxquels on peut confier des sous-tâches séparées sans polluer le contexte principal. Pour les tâches de recherche, de codage, d'analyse et de préparation de rapports, cela semble beaucoup plus pratique que de construire sans fin un seul prompt. Il y a un autre détail important : Deep Agents ne coupe pas les développeurs de l'infrastructure de LangGraph.

La fonction `create_deep_agent(...)` retourne un graphe compilé prêt qui peut être utilisé avec le streaming, les checkpointers, Studio et d'autres fonctionnalités standard de la stack. En d'autres termes, ce n'est pas une superposition fermée sur le runtime, mais un graphe prêt avec des règles préconfigurées.

Pour les équipes, c'est pratique : vous pouvez démarrer rapidement, puis ajuster progressivement le modèle, les permissions, l'approbation humaine, le stockage de mémoire et les outils personnalisés pour votre scénario de production. Cela dit, n'attendez pas de magie. Deep Agents ne résout pas automatiquement les questions de sécurité, la qualité des outils ou la conception du workflow.

Si on donne à un agent des permissions trop larges, un mauvais sandbox ou un schéma mémoire faible, les problèmes ne disparaîtront pas. Mais comme point de départ pour les agents multi-étapes, la bibliothèque semble sensiblement plus mûre que la plupart des templates dans l'esprit « agent en cinq minutes ».

Ce que cela signifie

Le marché des frameworks d'agents s'éloigne du simple appel d'outils vers des approches de runtime plus structurées. Pour les équipes qui veulent amener les agents IA à des tâches réelles de recherche, d'analyse et d'ingénierie, Deep Agents peut devenir une couche intermédiaire pratique entre les démos jouets et l'orchestration entièrement personnalisée.