LangChain apresenta Deep Agents, uma camada sobre o LangGraph para tarefas longas e complexas

A LangChain lançou o Deep Agents, uma biblioteca Python independente para criar sistemas de agentes "profundos" sobre o LangChain e o LangGraph. A ideia é tirar do projeto de agentes típico a rotina de montar grafos manualmente, gerenciar contexto e delegar subtarefas.

Não é mais um grafo

Muitas equipes seguem um caminho parecido: começam com as cadeias comuns do LangChain, esbarram nos limites de pipelines simples e migram para o LangGraph. Lá, é preciso montar estado, transições condicionais, loops, streaming e lógica de execução antes mesmo de o agente começar a resolver o problema de negócio. O Deep Agents tenta elevar o nível de abstração e assumir essa camada de infraestrutura. Com isso, a equipe gasta menos tempo com plumbing e mais com a lógica do próprio agente.

A LangChain descreve o Deep Agents como um agent harness: uma camada que usa o LangGraph por baixo dos panos, mas com padrões mais rígidos. O desenvolvedor não recebe um kit de primitivas, e sim um arcabouço pronto para cenários longos e de vários passos. Começar é bem simples: uma função create_deep_agent(), uma lista de ferramentas e um prompt de sistema, e a biblioteca conduz o ciclo de trabalho do agente. Por isso o lançamento é apresentado como um acelerador de desenvolvimento, e não como mais uma camada de abstração só pela abstração.

O LangGraph entrega o motor e a transmissão.

O Deep Agents entrega o carro.

O que vem na caixa

A principal aposta do Deep Agents não é um modelo novo nem um protocolo novo, mas um conjunto de mecanismos embutidos que cada equipe normalmente precisa projetar do zero. É isso que torna o lançamento relevante: a LangChain tenta padronizar padrões que já se repetem em agentes em produção. Não é teoria, mas os gargalos típicos que quase sempre aparecem em sessões longas de agentes.

• write_todos para planejamento embutido: o agente divide a tarefa em etapas, acompanha os status e atualiza o plano ao longo do trabalho.
• Um sistema de arquivos virtual com ls, read_file, write_file, edit_file, glob e grep, para tirar resultados longos da janela de contexto.
• Uma ferramenta task para iniciar subagentes que resolvem subtarefas separadas em um contexto isolado.
• Resumo automático quando o histórico da conversa cresce e se aproxima do limite da janela do modelo.
• Memória de longo prazo entre sessões e threads por meio do backend LangGraph Store.

A documentação traz um exemplo prático: um agente de pesquisa primeiro monta um plano, depois coleta dados de busca, guarda os resultados pesados no sistema de arquivos, delega parte do trabalho a um subagente quando necessário e, no fim, monta um relatório. Para o desenvolvedor, parece uma única camada de alto nível, embora por dentro o LangGraph continue rodando. Além disso, a LangChain promove uma versão CLI do Deep Agents: um agente de código para terminal, baseado no mesmo SDK.

Onde isso é útil

O Deep Agents claramente não foi pensado para chatbots com uma única chamada de ferramenta, e sim para cenários mais longos: pesquisa sobre um tema, assistentes de código, workflows autônomos e tarefas com grande volume de dados intermediários e memória entre sessões. Se o agente precisa planejar, ler e escrever arquivos, guardar artefatos, dividir o trabalho em subtarefas e não perder o fio depois de dezenas de passos, uma camada assim pode de fato economizar muito tempo.

Mas não substitui qualquer stack. Para agentes simples, a própria LangChain recomenda continuar com o create_agent e, se for preciso um controle muito preciso da topologia do grafo, trabalhar diretamente com o LangGraph. O Deep Agents é uma ferramenta para os casos em que velocidade de montagem e soluções prontas importam mais que o controle manual total de cada estado e transição. No fundo, a LangChain propõe uma abordagem mais opinionated: menos liberdade, mas também menos rotina de engenharia.

O que isso significa

O lançamento do Deep Agents mostra que o mercado de sistemas de agentes está saindo das demos básicas rumo à padronização da infraestrutura. A próxima etapa da concorrência já não é apenas "o agente sabe chamar ferramentas", mas "o agente consegue trabalhar por muito tempo, lembrar, planejar e não desmoronar com o volume de contexto".