Si bien un agente básico de modelo de lenguaje grande (LLM), uno que llama repetidamente a herramientas externas, es fácil de crear, estos agentes a menudo tienen dificultades con tareas largas y complejas porque carecen de la capacidad de planificar con anticipación y administrar su trabajo a lo largo del tiempo. Pueden considerarse “superficiales” en su ejecución.
La biblioteca deepagents está diseñada para superar esta limitación mediante la implementación de una arquitectura general inspirada en aplicaciones avanzadas como Deep Research y Claude Code.
Esta arquitectura brinda a los agentes más profundidad al combinar cuatro características clave:
Una herramienta de planificación: permite al agente dividir estratégicamente una tarea compleja en pasos manejables antes de actuar. Subagentes: permite al agente principal delegar partes especializadas de la tarea a agentes más pequeños y enfocados. Acceso a un sistema de archivos: proporciona memoria persistente para guardar el trabajo en progreso, notas y resultados finales, lo que permite al agente continuar donde lo dejó. Un mensaje detallado: brinda al agente instrucciones claras, contexto y limitaciones para sus objetivos a largo plazo.
Al proporcionar estos componentes fundamentales, deepagents facilita a los desarrolladores la creación de agentes potentes de uso general que pueden planificar, gestionar el estado y ejecutar flujos de trabajo complejos de forma eficaz.
En este artículo, veremos un ejemplo práctico para ver cómo funcionan realmente los DeepAgents en acción. Consulta los CÓDIGOS COMPLETOS aquí.
Capacidades principales de DeepAgents
1. Planificación y desglose de tareas: DeepAgents viene con una herramienta write_todos incorporada que ayuda a los agentes a dividir tareas grandes en pasos más pequeños y manejables. Pueden realizar un seguimiento de su progreso y ajustar el plan a medida que aprenden nueva información.
2. Gestión del contexto: utilizando herramientas de archivos como ls, read_file, write_file y edit_file, los agentes pueden almacenar información fuera de su memoria a corto plazo. Esto evita el desbordamiento del contexto y les permite manejar tareas más grandes o más detalladas sin problemas.
3. Creación de subagentes: la herramienta de tareas incorporada permite a un agente crear subagentes más pequeños y enfocados. Estos subagentes trabajan en partes específicas de un problema sin saturar el contexto del agente principal.
4. Memoria a largo plazo: con el apoyo de LangGraph’s Store, los agentes pueden recordar información entre sesiones. Esto significa que pueden recordar trabajos anteriores, continuar conversaciones anteriores y aprovechar avances anteriores.
Configurar dependencias
Variables de entorno
En este tutorial, usaremos la clave API de OpenAI para potenciar nuestro Deep Agent. Sin embargo, como referencia, también mostraremos cómo puedes usar un modelo Gemini.
Eres libre de elegir el proveedor de modelo que prefieras (OpenAI, Gemini, Anthropic u otros), ya que DeepAgents funciona a la perfección con diferentes backends. Consulta los CÓDIGOS COMPLETOS aquí.
Importando las bibliotecas necesarias
Herramientas
Al igual que los agentes habituales que utilizan herramientas, un Deep Agent también puede estar equipado con un conjunto de herramientas para ayudarle a realizar tareas.
En este ejemplo, le daremos a nuestro agente acceso a una herramienta de búsqueda Tavily, que puede utilizar para recopilar información en tiempo real de la web. Consulta los CÓDIGOS COMPLETOS aquí.
Subagentes
Los subagentes son una de las características más poderosas de Deep Agents. Permiten al agente principal delegar partes específicas de una tarea compleja a agentes más pequeños y especializados, cada uno con su propio enfoque, herramientas e instrucciones. Esto ayuda a mantener limpio y organizado el contexto del agente principal y, al mismo tiempo, permite un trabajo profundo y centrado en subtareas individuales.
En nuestro ejemplo, definimos dos subagentes:
agente de investigación de políticas: un investigador especializado que realiza análisis en profundidad sobre políticas, regulaciones y marcos éticos de IA en todo el mundo. Utiliza la herramienta internet_search para recopilar información en tiempo real y produce un informe profesional y bien estructurado. agente de crítica de políticas: un agente editorial responsable de revisar el informe generado para verificar su precisión, integridad y tono. Garantiza que la investigación sea equilibrada, objetiva y alineada con los marcos legales regionales.
Juntos, estos subagentes permiten que el Deep Agent principal realice investigaciones, análisis y revisiones de calidad en un flujo de trabajo modular y estructurado. Consulta los CÓDIGOS COMPLETOS aquí.
Aviso del sistema
Los Deep Agents incluyen un mensaje de sistema integrado que sirve como su conjunto principal de instrucciones. Este mensaje está inspirado en el mensaje del sistema utilizado en Claude Code y está diseñado para tener un propósito más general, proporcionando orientación sobre cómo utilizar herramientas integradas como planificación, operaciones del sistema de archivos y coordinación de subagentes.
Sin embargo, si bien el mensaje del sistema predeterminado hace que Deep Agents sea compatible desde el primer momento, se recomienda encarecidamente definir un mensaje del sistema personalizado adaptado a su caso de uso específico. El diseño rápido juega un papel crucial en la configuración del razonamiento, la estructura y el desempeño general del agente.
En nuestro ejemplo, definimos un mensaje personalizado llamado Policy_research_instructions, que transforma al agente en un investigador experto en políticas de IA. Describe claramente un flujo de trabajo paso a paso: guardar la pregunta, utilizar el subagente de investigación para el análisis, redactar el informe y, opcionalmente, invocar al subagente de crítica para su revisión. También aplica las mejores prácticas, como el formato Markdown, el estilo de las citas y el tono profesional, para garantizar que el informe final cumpla con los estándares de políticas de alta calidad. Consulta los CÓDIGOS COMPLETOS aquí.
Agente principal
Aquí definimos nuestro Deep Agent principal usando la función create_deep_agent(). Inicializamos el modelo con gpt-4o de OpenAI, pero como se muestra en la línea comentada, puedes cambiar fácilmente al modelo Gemini 2.5 Flash de Google si lo prefieres. El agente está configurado con la herramienta internet_search, nuestro sistema personalizado Policy_research_instructions y dos subagentes: uno para investigación en profundidad y otro para crítica.
De forma predeterminada, DeepAgents utiliza internamente Claude Sonnet 4.5 como modelo si no se especifica ninguno explícitamente, pero la biblioteca permite total flexibilidad para integrar OpenAI, Gemini, Anthropic u otros LLM compatibles con LangChain. Consulta los CÓDIGOS COMPLETOS aquí.
Invocar al agente
Consulta los CÓDIGOS COMPLETOS aquí. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Soy graduado en ingeniería civil (2022) de Jamia Millia Islamia, Nueva Delhi, y tengo un gran interés en la ciencia de datos, especialmente las redes neuronales y su aplicación en diversas áreas.
🙌 Siga MARKTECHPOST: agréguenos como fuente preferida en Google.