LangChain lançou Deep Agents para agentes de AI em várias etapas com memória e isolamento

LangChain lançou Deep Agents — uma biblioteca separada para criar agentes de IA que vão além do simples ciclo "solicitação → chamada de ferramenta → resposta". Ela foi projetada para tarefas mais longas, onde um agente precisa planejar passos, armazenar resultados intermediários e evitar colocar tudo em uma única janela de contexto sobrecarregada.

O que foi lançado

Em 15 de março de 2026, LangChain apresentou Deep Agents como uma biblioteca separada construída sobre seus componentes principais de agentes. LangGraph permanece como a base: é ele que oferece execução durável, streaming, cenários human-in-the-loop e outras capacidades de runtime. Portanto, não estamos falando sobre um novo modelo ou um novo tipo de runtime, mas sobre um andaime arquitetural pronto para casos em que agentes de chamada de ferramenta comum começam a falhar em tarefas multi-etapas com estado e grande quantidade de artefatos.

Essencialmente, Deep Agents fecha a lacuna prática entre demos simples de agentes e orquestração customizada que as equipes geralmente constroem sozinhas. Em vez de adicionar manualmente um planejador, camada de arquivo, armazenamento de artefatos intermediários e delegação de tarefas, os desenvolvedores recebem esses mecanismos prontos para usar. LangChain enfatiza separadamente: se a tarefa é simples, você pode ficar com o padrão `create_agent`, e se precisa de controle total, você pode ir para seu próprio workflow no LangGraph.

"Deep

Agents é um agent harness", é assim que LangChain descreve o projeto em sua documentação.

O que há dentro do runtime

A ideia-chave por trás de Deep Agents é que um agente recebe não apenas um modelo e um conjunto de funções externas, mas também um ambiente de trabalho para uma sessão longa. O pacote padrão inclui ferramentas integradas para planejamento, manipulação de arquivos, execução de comandos e delegação. Isso permite que um agente conduza tarefas de forma mais estruturada em vez de improvisar cada próximo passo a partir do prompt atual.

• `write_todos` — dividir tarefas complexas em passos e rastrear o progresso
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — trabalhar com arquivos e artefatos intermediários
• `execute` — executar comandos de shell em cenários de sandbox
• `task` — invocar sub-agentes com contexto isolado
• auto-sumarização e memória de longo prazo conectável entre threads

A camada de arquivo é particularmente importante. Em muitos sistemas de agentes, a palavra "memória" soa atraente, mas na prática tudo se resume a uma janela de contexto transbordante. Deep Agents oferece uma abordagem mais prática: notas, trechos de código, relatórios, resultados de pesquisa e outras saídas grandes podem ser exportados para um sistema de arquivo interno e recuperados conforme necessário. A documentação também descreve diferentes opções de backend — desde estado em memória até disco local, backends de armazenamento e ambientes de sandbox.

Por que os desenvolvedores devem se importar

O problema principal com tarefas longas de agentes é conhecido há tempos: quanto mais objetivos, soluções temporárias, logs de ferramentas e detalhes colaterais se acumulam em um único thread, pior o agente se mantém no curso. Deep Agents aborda isso com dois mecanismos ao mesmo tempo. O primeiro é planejamento explícito através de uma lista de tarefas.

O segundo são sub-agentes, que podem receber tarefas separadas sem poluir o contexto principal. Para tarefas de pesquisa, codificação, análise e preparação de relatórios, isso parece consideravelmente mais prático do que construir endlessly um único prompt. Há outra nuance importante: Deep Agents não corta os desenvolvedores da infraestrutura do LangGraph.

A função `create_deep_agent(...)` retorna um grafo compilado pronto que pode ser usado com streaming, checkpointers, Studio e outros recursos padrão da stack. Em outras palavras, não é uma sobreposição fechada no topo do runtime, mas um grafo pronto com regras pré-configuradas.

Para equipes, isso é conveniente: você pode começar rapidamente e depois ajustar gradualmente o modelo, permissões, aprovação humana, armazenamento de memória e ferramentas customizadas para seu cenário de produção. Dito isso, não espere magia. Deep Agents não resolve automaticamente questões de segurança, qualidade de ferramentas ou design de workflow.

Se um agente receber permissões muito amplas, um sandbox ruim ou um esquema de memória fraco, os problemas não desaparecerão. Mas como ponto de partida para agentes multi-etapas, a biblioteca parece notavelmente mais madura do que a maioria dos templates no espírito de "agente em cinco minutos".

O que isso significa

O mercado de frameworks de agentes está se deslocando de simples chamada de ferramentas para abordagens de runtime mais estruturadas. Para equipes que desejam levar agentes de IA para tarefas reais de pesquisa, análise e engenharia, Deep Agents pode se tornar uma camada intermediária conveniente entre demos brinquedos e orquestração totalmente customizada.