LangChain lança Deep Agents para agentes de IA de várias etapas com memória e isolamento

A LangChain lançou o Deep Agents, uma biblioteca independente para criar agentes de IA que precisam de mais do que o ciclo curto «requisição → chamada de ferramenta → resposta». Ela é pensada para tarefas mais longas, em que o agente precisa planejar etapas, guardar resultados intermediários e não misturar tudo em um único contexto sobrecarregado.

O que foi lançado

Em 15 de março de 2026, a LangChain apresentou o Deep Agents como uma biblioteca independente, construída sobre seus componentes básicos para agentes. A base continua sendo o LangGraph: é ele que oferece execução durável, streaming, cenários human-in-the-loop e outros recursos de runtime. Ou seja, não se trata de um novo modelo nem de um novo tipo de runtime, mas de uma estrutura arquitetural pronta para os casos em que um agente comum com tool-calling começa a falhar em tarefas de várias etapas, com estado e muitos artefatos.

Na prática, o Deep Agents preenche uma lacuna entre demos simples de agentes e a orquestração personalizada que as equipes costumam montar por conta própria. Em vez de adicionar manualmente um planejador, uma camada de arquivos, armazenamento de artefatos intermediários e delegação de subtarefas, o desenvolvedor recebe esses mecanismos prontos. A LangChain também ressalta que, se a tarefa for simples, é possível ficar no `create_agent` tradicional e, se for preciso controle total, partir para um workflow próprio no LangGraph.

«Deep

Agents é um agent harness», é assim que a LangChain descreve o projeto na documentação.

O que há dentro do runtime

A ideia central do Deep Agents é que o agente recebe de saída não só um modelo e um conjunto de funções externas, mas também um ambiente de trabalho para uma sessão longa. O pacote padrão inclui ferramentas embutidas para planejamento, trabalho com arquivos, execução de comandos e delegação. Com isso, o agente não precisa improvisar cada novo passo a partir do prompt atual e consegue conduzir a tarefa de forma mais estruturada.

• `write_todos` — divide uma tarefa complexa em etapas e acompanha o progresso
• `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — trabalho com arquivos e artefatos intermediários
• `execute` — execução de comandos de shell em cenários de sandbox
• `task` — chamada de subagentes com contexto isolado
• resumo automático e memória de longo prazo plugável entre threads

A camada de arquivos é especialmente importante. Em muitos sistemas de agentes, a palavra «memória» soa bem, mas na prática tudo esbarra na janela de contexto lotada. O Deep Agents propõe uma abordagem mais pé no chão: anotações, trechos de código, relatórios, resultados de busca e outras saídas grandes podem ser movidos para um sistema de arquivos interno e recuperados quando necessário. A documentação também descreve diferentes backends, do estado em memória ao disco local, backends de store e ambientes sandbox.

Por que isso importa para desenvolvedores

O principal problema das tarefas longas de agentes é conhecido há tempo: quanto mais objetivos, soluções provisórias, logs de ferramentas e detalhes secundários se acumulam em uma única thread, pior o agente mantém o rumo. O Deep Agents responde com dois mecanismos ao mesmo tempo. O primeiro é o planejamento explícito por lista de tarefas. O segundo são os subagentes, que podem receber subtarefas separadas sem poluir o contexto principal. Para pesquisa, programação, análise e preparação de relatórios, isso parece bem mais prático do que inflar indefinidamente um único prompt.

Há ainda outro ponto importante: o Deep Agents não afasta o desenvolvedor da infraestrutura do LangGraph. A função `create_deep_agent(...)` devolve um compiled graph pronto, que pode ser usado com streaming, checkpointers, Studio e outros recursos padrão do stack. Em outras palavras, não é uma camada fechada sobre o runtime, mas um grafo pronto com regras pré-configuradas. Para a equipe, isso é conveniente: dá para começar rápido e depois ir ajustando o modelo, as permissões, a aprovação humana, o memory store e as próprias ferramentas para um cenário de produção.

Mesmo assim, não convém esperar mágica. O Deep Agents não resolve automaticamente segurança, qualidade das ferramentas nem o desenho do próprio workflow. Se o agente receber permissões amplas demais, um sandbox ruim ou um esquema de memória fraco, os problemas não vão desaparecer. Mas, como ponto de partida para agentes de várias etapas, a biblioteca parece bem mais madura que a maioria dos templates do tipo «agente em cinco minutos».

O que isso significa

O mercado de frameworks de agentes está saindo da simples chamada de ferramentas rumo a abordagens de runtime mais estruturadas. Para equipes que querem levar agentes de IA a tarefas reais de pesquisa, análise e engenharia, o Deep Agents pode virar uma camada intermediária útil entre a demo de brinquedo e a orquestração totalmente personalizada.