LangChain представила DeltaChannel для экономии памяти долгоживущих агентов

Долгоживущие агенты сталкиваются с классической проблемой масштабирования: при каждом шаге нужно сохранять полное состояние системы, и по мере работы объёмы хранилища растут экспоненциально. Сессия, которая работает несколько часов или дней, быстро превращается в десятки гигабайт закэшированных данных. LangChain решила эту задачу новым примитивом DeltaChannel в LangGraph 1.2.

Проблема: экспоненциальный рост памяти

Представьте агента, который работает по-прежнему: делает шаг, вычисляет результат, сохраняет всё состояние системы. На следующем шаге повторяется то же самое. Полное состояние снова записывается в хранилище. На сотом шаге у вас есть 100 копий состояния, на тысячном — 1000. Проблема масштабируется быстро. При длинной сессии (скажем, агент работает весь день и делает миллионы мини-операций) стоимость хранилища становится недопустимой. Это не просто деньги на дисковое пространство — это и задержки на чтение/запись, и сложность восстановления при сбое.

Что такое

DeltaChannel DeltaChannel — это новая примитивная конструкция в LangGraph, которая решает проблему на уровне архитектуры. Вместо сохранения полного снимка состояния на каждом шаге, система записывает только изменения (дельту). Идея не новая — системы контроля версий (Git), базы данных (Write-Ahead Logs) и распределённые системы уже давно используют этот подход. Но в контексте AI-агентов применить это стандартно было сложнее: состояние агента включает множество вложенных структур, кэшей, истории взаимодействий. LangChain реализовала DeltaChannel так: на каждом шаге система пересчитывает, что именно изменилось в состоянии (новые сообщения, обновлённый контекст, результаты вычислений). Записывается только эта дельта. Периодически (по умолчанию каждые N шагов, N настраивается) выполняется полный снимок (snapshot), чтобы восстановление после сбоя не требовало проигрывания всей истории.

Как это экономит память * **Дельта вместо full state** — вместо

сохранения всего контекста агента после каждого шага, записываются только изменённые поля и новые записи Периодические snapshots — полные снимки состояния пишутся не после каждого шага, а раз в N шагов (стандартно каждые 100 шагов, но можно настроить) Линейный рост вместо квадратичного — длинная сессия из 1000 шагов теперь занимает примерно столько же памяти, сколько раньше занимала сессия из 100 шагов; при миллионе шагов разница становится ещё более радикальной На практике это означает, что долгоживущый агент, который раньше требовал десятки гигабайт хранилища, теперь может работать на порядки меньших объёмах. Для крупных production-систем это переводит проблему «нельзя запустить» в проблему «это экономично».

DeltaChannel уже в

Deep Agents v0.6 LangChain интегрировала DeltaChannel в Deep Agents v0.6 — новый фреймворк для долгоживущих агентов — по умолчанию, без конфигурационных флагов.

Для конечных пользователей это означает, что улучшение работает автоматически. Никакого изменения кода не требуется. Никакой миграции старых данных не требуется — старые сессии продолжают работать с новыми механизмами параллельно.

Это особенно полезно для долгоживущих систем: чатботов, которые ведут разговоры часами, многошаговых workflow'ов, которые выполняют комплексные задачи через несколько часов, и агентов-помощников, которые обучаются на опыте в течение недель. В каждом из этих случаев старая система хранилища стала бы узким местом. Для разработчиков, которые хотят тонкую настройку (например, менять интервал между snapshots), доступны параметры конфигурации.

Но на практике дефолтные значения работают хорошо для большинства сценариев, от chatbot'ов до сложных multi-step workflow'ов.

Что это значит

Агенты, которые работали часами или днями, теперь становятся экономичнее и масштабируемее. Это критично для production: каждый сэкономленный гигабайт памяти — это реальное снижение стоимости запуска долгоживущих систем. DeltaChannel показывает, что инженеры LangChain внимательно слушают feedback от production-пользователей и решают их боли не обходным путём (хаки, оптимизация по частям), а на уровне самого runtime'а. Это знак зрелости фреймворка.