LangChain оптимизировал Deep Agents под разные модели: +10-20% к производительности

LangChain выпустила обновление для Deep Agents — фреймворка для построения сложных multi-step AI-агентов. Теперь система может автоматически подстраиваться под разные языковые модели: OpenAI, Anthropic и Google. Это означает, что один и тот же агент может работать лучше, просто от выбора модели. Это как смена коробки передач на автомобиле — управление машиной остаётся одинаковым, но эффективность меняется кардинально.

Зачем нужна адаптация под модели

Deep Agents изначально разработали как универсальную систему, которая бы работала одинаково хорошо со всеми моделями. Логика была понятной: написать один промпт, настроить инструменты один раз, и они подойдут всем. На практике выяснилось, что это неправда.

Разные модели имеют разные сильные стороны, психологию и ограничения. OpenAI-модели лучше в долгих цепочках рассуждений, но требуют конкретных инструкций. Claude от Anthropic любит думать вслух и хорошо справляется с очень большим контекстом.

Google Gemini может дёргать инструменты параллельно и работает быстрее. Попытка подогнать всех под одно — это как писать code, который должен работать одновременно на Python 3.8, Java и Rust.

Что-то всегда страдает. До этого обновления Deep Agents работали, но как бы с подтормаживанием — система не могла использовать все сильные стороны конкретной модели. Разработчикам приходилось вручную подбирать промпты, инструменты и параметры для каждой модели отдельно.

Это был пример хобби, а не enterprise-solution, требующий серьёзной отладки перед production.

Model-specific профили — как это работает

Новое обновление добавляет механизм профилей, которые автоматически подстраивают три ключевых компонента систем под конкретную модель: Prompts — система переформулирует инструкции в зависимости от целевой модели. Для OpenAI используется один стиль инструкций, для Claude другой, для Google третий. Это как писать эссе для разных профессоров — каждый хочет видеть структуру своего стиля.

Система знает эти предпочтения и адаптирует текст. Tools — набор инструментов и их описания оптимизируются под стиль работы модели. Например, OpenAI-модели лучше справляются с JSON-форматом для structured output.

Claude любит текстовое описание с примерами. Google Gemini может выбирать несколько инструментов одновременно. Профили учитывают это при формировании набора инструментов.

Middleware — логика обработки шагов агента подстраивается под надёжность и скорость модели. Если модель медленнее, но точнее (как Claude), middleware может увеличить timeout и лучше обработать ошибки. Если модель быстрая (как Gemini Flash), логика может быть более агрессивной в retry и не ждать слишком долго.

LangChain выпустила готовые профили для OpenAI GPT-4 и GPT-4o, Claude 3 (Anthropic) и Google Gemini. Разработчик просто выбирает, какую модель использовать в конфигурации — и система сама переконфигурирует промпты, инструменты и middleware. Ручная работа почти исчезает.

Результаты: +10–20% на бенчмарке

LangChain протестировали новые профили на независимом бенчмарке tau2-bench — наборе сложных задач для агентов (перевод с языка на язык, арифметика многошаговая, логические цепочки). Результат: профили дали +10–20 пунктов улучшения по сравнению с базовой универсальной конфигурацией. На какой-то части задач разница была ещё больше — до 25 пунктов. Это не мега-цифра, но для production-систем это заметно. +15% к точности значит 15% меньше ошибок, 15% меньше переделок, меньше юзер-жалоб в support и меньше incidents. Для больших систем с миллионами вызовов это означает миллионы рублей экономии в операционных издержках и меньше стресса на инженеров.

Что это значит для разработчиков

Deep Agents становятся проще и надёжнее для разработчиков и компаний. Раньше, если ты хотел использовать разные модели в одной системе, нужно было быть экспертом — вручную подбирать промпты, параметры, переформулировать инструкции, менять retry-логику. Теперь система делает это за тебя.

Ты просто выбираешь модель при инициализации — и готово. Это похоже на то, как автомобиль с адаптивной подвеской автоматически регулирует жёсткость в зависимости от дороги и скорости. Водителю не нужно помнить, какую подвеску выбирать на грунте vs асфальте — машина сама справляется.

Так же здесь: выбрал модель — и система сама знает, как её лучше использовать. Для компаний, которые строят мультишаговые AI-системы (обработка заказов, анализ контрактов, генерация кода, документация), это экономит недели отладки на production и снижает риск регресса при смене моделей.