La mayoría de los agentes LLM funcionan bien para ciclos cortos de llamada de herramientas, pero comienzan a fallar cuando la tarea se vuelve de varios pasos, con estado y con muchos artefactos. Deep Agents de LangChain está diseñado para esa brecha. LangChain describe el proyecto como un ‘arnés de agente’: una biblioteca independiente construida sobre los componentes básicos del agente de LangChain y potenciada por el tiempo de ejecución de LangGraph para una ejecución duradera, transmisión y flujos de trabajo humanos en el circuito.
El punto importante es que Deep Agents no introduce un nuevo modelo de razonamiento o un nuevo tiempo de ejecución separado de LangGraph. En cambio, empaqueta un conjunto de valores predeterminados y herramientas integradas alrededor del ciclo de llamada de herramientas estándar. El equipo de LangChain lo posiciona como el punto de partida más fácil para los desarrolladores que necesitan agentes que puedan planificar, administrar un contexto amplio, delegar subtareas y conservar información en las conversaciones, manteniendo al mismo tiempo la opción de pasar a agentes LangChain más simples o flujos de trabajo LangGraph personalizados cuando sea necesario.
Qué incluyen Deep Agents por defecto
El repositorio GitHub de Deep Agents enumera los componentes principales directamente. Estos incluyen una herramienta de planificación llamada write_todos, herramientas de sistema de archivos como read_file, write_file, edit_file, ls, glob y grep, acceso al shell mediante ejecución con sandboxing, la herramienta de tareas para generar subagentes y funciones integradas de administración de contexto, como el resumen automático y el almacenamiento de resultados grandes en archivos.
Ese marco es importante porque muchos sistemas de agentes dejan la planificación, el almacenamiento intermedio y la delegación de subtareas al desarrollador de la aplicación. Deep Agents mueve esas piezas al tiempo de ejecución predeterminado.
Planificación y descomposición de tareas.
Deep Agents incluye una herramienta write_todos incorporada para la planificación y descomposición de tareas. El propósito es explícito: el agente puede dividir una tarea compleja en pasos discretos, realizar un seguimiento del progreso y actualizar el plan a medida que aparece nueva información.
Sin una capa de planificación, el modelo tiende a improvisar cada paso a partir del mensaje actual. Con write_todos, el flujo de trabajo se vuelve más estructurado, lo que resulta más útil para tareas de investigación, sesiones de codificación o trabajos de análisis que se desarrollan en varios pasos.
Gestión de contexto basada en sistema de archivos
Una segunda característica principal es el uso de herramientas del sistema de archivos para la gestión del contexto. Estas herramientas permiten al agente descargar un contexto grande en el almacenamiento en lugar de mantener todo dentro de la ventana de solicitud activa. El equipo de LangChain señala explícitamente que esto ayuda a evitar el desbordamiento de la ventana de contexto y admite resultados de herramientas de longitud variable.
Se trata de una elección de diseño más concreta que las vagas afirmaciones sobre la “memoria”. El agente puede escribir notas, código generado, informes intermedios o buscar resultados en archivos y recuperarlos más tarde. Eso hace que el sistema sea más adecuado para tareas más largas en las que la propia salida se convierte en parte del estado de trabajo.
Deep Agents también admite múltiples tipos de backend para este sistema de archivos virtual. Los documentos de personalización enumeran StateBackend, FilesystemBackend, LocalShellBackend, StoreBackend y CompositeBackend. De forma predeterminada, el sistema utiliza StateBackend, que almacena un sistema de archivos efímero en estado LangGraph para un solo subproceso.
Subagentes y aislamiento de contexto
Deep Agents también incluye una herramienta de tareas incorporada para la generación de subagentes. Esta herramienta permite al agente principal crear subagentes especializados para el aislamiento del contexto, manteniendo el hilo principal más limpio y al mismo tiempo permitiendo que el sistema profundice en subtareas específicas.
Esta es una de las respuestas más claras a un modo de falla común en los sistemas de agentes. Una vez que un solo hilo acumula demasiados objetivos, resultados de herramientas y decisiones temporales, la calidad del modelo a menudo disminuye. Dividir el trabajo en subagentes reduce esa sobrecarga y hace que la ruta de orquestación sea más fácil de depurar.
Integración de memoria a largo plazo y LangGraph
El repositorio GitHub de Deep Agents también describe la memoria a largo plazo como una capacidad incorporada. Los agentes profundos se pueden ampliar con memoria persistente entre subprocesos utilizando Memory Store de LangGraph, lo que permite al agente guardar y recuperar información de conversaciones anteriores.
En el lado de la implementación, Deep Agents permanece completamente dentro del modelo de ejecución de LangGraph. Los documentos de personalización especifican que create_deep_agent(…) devuelve un CompiledStateGraph. El gráfico resultante se puede utilizar con funciones estándar de LangGraph, como streaming, Studio y puntos de control.
Deep Agents no es una capa de abstracción paralela que bloquea el acceso a las funciones de tiempo de ejecución; Es un gráfico prediseñado con valores predeterminados.
Detalles de implementación
Para la implementación, el inicio rápido oficial muestra una configuración mínima de Python: instale deepagents más un proveedor de búsqueda como tavily-python, exporte la clave API de su modelo y la clave API de búsqueda, defina una herramienta de búsqueda y luego cree el agente con create_deep_agent(…) usando un modelo de llamada de herramientas. Los documentos señalan que Deep Agents requiere soporte de llamada de herramientas, y el flujo de trabajo de ejemplo es inicializar el agente con sus herramientas y system_prompt, luego ejecutarlo con agent.invoke(…). El equipo de LangChain también indica a los desarrolladores las opciones de implementación de LangGraph para producción, lo cual encaja porque Deep Agents se ejecuta en el tiempo de ejecución de LangGraph y admite la transmisión integrada para observar la ejecución.
Conclusiones clave
Deep Agents es un arnés de agentes creado sobre LangChain y el tiempo de ejecución de LangGraph. Incluye planificación integrada a través de la herramienta write_todos para la descomposición de tareas en varios pasos. Utiliza herramientas del sistema de archivos para gestionar un contexto amplio y reducir la presión de las ventanas emergentes. Puede generar subagentes con contexto aislado utilizando la herramienta de tareas incorporada. Admite memoria persistente entre subprocesos a través del Memory Store de LangGraph.
Consulte Repo y Docs. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 120.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.