LangChain présente Deep Agents, une couche au-dessus de LangGraph pour les tâches longues et complexes

LangChain a publié Deep Agents, une bibliothèque Python autonome pour créer des systèmes d'agents « profonds » au-dessus de LangChain et de LangGraph. L'idée est de retirer d'un projet d'agents typique la routine : assemblage manuel des graphes, gestion du contexte et délégation des sous-tâches.

Pas un graphe de plus

Beaucoup d'équipes suivent un parcours similaire : elles commencent par les chaînes classiques de LangChain, butent sur les limites des pipelines simples, puis passent à LangGraph. Là, il faut construire l'état, les transitions conditionnelles, les boucles, le streaming et la logique d'exécution avant même que l'agent ne s'attaque au problème métier. Deep Agents cherche à relever le niveau d'abstraction et à prendre en charge cette couche d'infrastructure. Résultat : l'équipe passe moins de temps sur le plumbing et plus sur la logique de l'agent lui-même.

LangChain décrit Deep Agents comme un agent harness : une enveloppe qui utilise LangGraph sous le capot, avec des réglages par défaut plus rigides. Le développeur ne reçoit pas un kit de primitives, mais un cadre prêt à l'emploi pour des scénarios longs et à étapes multiples. Le démarrage est très simple : une fonction create_deep_agent(), une liste d'outils, un prompt système, et la bibliothèque pilote ensuite la boucle de travail de l'agent. C'est pourquoi la sortie est présentée comme un accélérateur de développement, et non comme une couche d'abstraction de plus pour le plaisir.

LangGraph fournit le moteur et la transmission.

Deep Agents fournit la voiture.

Ce qu'il y a dans la boîte

Le pari principal de Deep Agents n'est ni un nouveau modèle ni un nouveau protocole, mais un ensemble de mécanismes intégrés que chaque équipe doit d'ordinaire concevoir de zéro. C'est ce qui rend cette sortie notable : LangChain tente de standardiser des schémas qui se répètent déjà dans les agents en production. Il ne s'agit pas de théorie, mais des goulots d'étranglement typiques qui apparaissent presque toujours dans les longues sessions d'agents.

• write_todos pour la planification intégrée : l'agent découpe la tâche en étapes, suit leur statut et met à jour le plan en cours de route.
• Un système de fichiers virtuel avec ls, read_file, write_file, edit_file, glob et grep, pour sortir les longs résultats de la fenêtre de contexte.
• Un outil task pour lancer des sous-agents qui traitent des sous-tâches distinctes dans un contexte isolé.
• Un résumé automatique lorsque l'historique de la conversation grossit et approche de la limite de la fenêtre du modèle.
• Une mémoire à long terme entre sessions et fils via le backend LangGraph Store.

La documentation comporte un exemple pratique : un agent de recherche commence par établir un plan, puis collecte des données via la recherche, range les résultats volumineux dans le système de fichiers, délègue au besoin une partie du travail à un sous-agent et compose enfin un rapport. Pour le développeur, cela ressemble à une seule surcouche de haut niveau, même si LangGraph tourne toujours en dessous. LangChain met aussi en avant une version CLI de Deep Agents : un agent de code pour terminal reposant sur le même SDK.

Où c'est utile

Deep Agents n'est clairement pas conçu pour des chatbots à un seul appel d'outil, mais pour des scénarios plus longs : recherche sur un sujet, assistants de code, workflows autonomes, tâches avec un gros volume de données intermédiaires et une mémoire entre sessions. Si l'agent doit planifier, lire et écrire des fichiers, conserver des artefacts, répartir le travail en sous-tâches et ne pas perdre le fil après des dizaines d'étapes, une telle couche peut effectivement faire gagner beaucoup de temps.

Mais ce n'est pas un remplaçant universel. Pour les agents simples, LangChain recommande elle-même de rester sur create_agent, et si l'on veut un contrôle très fin de la topologie du graphe, de travailler directement avec LangGraph. Deep Agents est un outil pour les cas où la rapidité d'assemblage et les solutions prêtes à l'emploi comptent plus que le contrôle manuel total de chaque état et de chaque transition. En somme, LangChain propose une approche plus opinionated des agents : moins de liberté, mais aussi moins de routine d'ingénierie.

Ce que cela signifie

La sortie de Deep Agents montre que le marché des systèmes d'agents passe des démos basiques à la standardisation de l'infrastructure. La prochaine étape de la concurrence n'est plus simplement « l'agent sait appeler des outils », mais « l'agent peut travailler longtemps, se souvenir, planifier et ne pas s'effondrer sous le volume de contexte ».