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

LangChain выпустила Deep Agents — отдельную библиотеку для создания ИИ-агентов, которым мало короткого цикла «запрос → вызов инструмента → ответ». Она рассчитана на более длинные задачи, где агенту нужно планировать шаги, хранить промежуточные результаты и не смешивать всё в один перегруженный контекст.

Что выпустили 15 марта 2026 года

LangChain представила Deep Agents как отдельную библиотеку поверх своих базовых компонентов для агентов. В основе остаётся LangGraph: именно он даёт durable execution, стриминг, human-in-the-loop сценарии и другие runtime-возможности. То есть речь не о новой модели и не о новом типе рантайма, а о готовой архитектурной обвязке для случаев, где обычный tool-calling агент начинает сыпаться на многошаговых задачах с состоянием и большим количеством артефактов.

По сути, Deep Agents закрывает практичный разрыв между простыми агентными демо и кастомной оркестрацией, которую команды обычно собирают сами. Вместо того чтобы вручную добавлять планировщик, файловый слой, хранение промежуточных артефактов и делегирование подзадач, разработчик получает эти механики из коробки. При этом LangChain отдельно подчёркивает: если задача простая, можно остаться на обычном `create_agent`, а если нужен полный контроль — уйти в собственный workflow на LangGraph.

«Deep

Agents — это agent harness», так LangChain описывает проект в документации.

Что внутри runtime

Ключевая идея Deep Agents в том, что агенту сразу дают не только модель и набор внешних функций, но и рабочую среду для длинной сессии. В стандартную поставку входят встроенные инструменты для планирования, работы с файлами, запуска команд и делегирования. За счёт этого агент может не импровизировать каждый следующий шаг из текущего промпта, а вести задачу более структурированно.

`write_todos` — разбиение сложной задачи на шаги и отслеживание прогресса `read_file`, `write_file`, `edit_file`, `ls`, `glob`, `grep` — работа с файлами и промежуточными артефактами `execute` — запуск shell-команд в sandbox-сценариях `task` — вызов сабагентов с изолированным контекстом * авто-суммаризация и подключаемая долгосрочная память между тредами Отдельно важен именно файловый слой. Во многих агентных системах слово «память» звучит красиво, но на практике всё упирается в переполненное контекстное окно. Deep Agents предлагает более приземлённый подход: заметки, куски кода, отчёты, результаты поиска и другие большие выводы можно вынести во внутреннюю файловую систему, а потом вернуть по мере надобности.

В документации также описаны разные backend-варианты — от in-memory состояния до локального диска, store-бэкендов и sandbox-окружений.

Зачем это разработчикам

Главная проблема длинных агентных задач давно известна: чем больше целей, временных решений, логов инструментов и побочных деталей скапливается в одном треде, тем хуже агент держит курс. Deep Agents отвечает на это двумя механизмами сразу. Первый — явное планирование через todo-список.

Второй — сабагенты, которым можно отдавать отдельные подзадачи, не загрязняя основной контекст. Для research-задач, кодинга, аналитики и подготовки отчётов это выглядит заметно практичнее, чем бесконечное наращивание одного промпта. Есть и ещё один важный нюанс: Deep Agents не отрезает разработчика от инфраструктуры LangGraph.

Функция `create_deep_agent(...)` возвращает готовый compiled graph, который можно использовать со стримингом, чекпоинтерами, Studio и другими стандартными возможностями стека. Иными словами, это не закрытая надстройка поверх рантайма, а готовый граф с преднастроенными правилами.

Для команды это удобно: стартовать можно быстро, а затем постепенно докручивать модель, permissions, human approval, memory store и свои инструменты под production-сценарий. При этом ждать магии не стоит. Deep Agents не решает автоматически вопросы безопасности, качества инструментов или проектирования самого workflow.

Если агенту дать слишком широкие права, плохой sandbox или слабую схему памяти, проблемы никуда не денутся. Но как стартовая точка для многошаговых агентов библиотека выглядит заметно взрослее большинства шаблонов в духе «агент за пять минут».

Что это значит

Рынок агентных фреймворков смещается от простого вызова инструментов к более структурированным runtime-подходам. Для команд, которые хотят довести ИИ-агентов до реальных исследовательских, аналитических и инженерных задач, Deep Agents может стать удобным промежуточным слоем между игрушечным демо и полностью кастомной оркестрацией.