Deep Agents: Kontext-Engineering für langfristige Aufgaben in LangChain
LangChain
Moonshot AI
Anthropic
Die Welt der KI-Agenten entwickelt sich rasant: von linearen LangChain-Pipelines über LangGraph-Graphen bis hin zu vorgefertigten Umgebungen wie Deep Agents. Deep Agents ist eine Bibliothek, die Middleware, Werkzeuge und Prompts um die grundlegende ReAct-Schleife zur Verwaltung des Kontexts bei mehrstufigen Aufgaben bündelt. Sie fügt Planung, Dateiwerkzeuge, Subagenten, Zusammenfassung des Verlaufs und andere Mechanismen hinzu – jedoch auf Kosten eines steilen Anstiegs des System-Prompts (von 35 auf 6215 Token) bei einer leeren Anfrage.
Moderne KI-Agenten basieren auf verschiedenen Ansätzen: vorgefertigten Frameworks, Konfiguration über eine Benutzeroberfläche (UI) oder individueller Entwicklung. Ein beliebtes Framework ist LangChain, das mit linearen Pipelines (Runnable) begann und sich dann zu LangGraph für Zustandsgraphen mit einem ReAct-Zyklus (Reasoning + Acting) weiterentwickelte. Für kurze Aufgaben reicht dies aus, aber bei langen Aufgaben sammelt der Agent Kontext an: Verlauf, Tool-Ergebnisse, Pläne, Dateien. Daraus ergibt sich Context Engineering – die Verwaltung der Umgebung um den Agenten. Deep Agents ist eine fertige Implementierung einer solchen Umgebung innerhalb des LangChain-Ökosystems, vorgestellt als die Bibliothek deepagents. Aufbauend auf create_agent fügt es Middleware-Schichten, Tools und Prompt-Anweisungen für langlebige Aufgaben hinzu: Planung (write_todos), Datei-Tools mit steckbaren Backends, einen universellen Unteragenten (task), Verlaufszusammenfassung, Wiederherstellung unvollständiger Tool-Aufrufe und optional Fähigkeiten, Gedächtnis, einen Human-in-the-Loop sowie eine Sandbox. Doch selbst ohne zusätzliche Parameter wächst der System-Prompt aufgrund des konstanten BASE_AGENT_PROMPTs und der hinzugefügten Tools von 35 auf 6.215 Tokens an, was die Kosten erhöht und kleinere Modelle verwirren kann.
Quelle: Habr — хаб ИИ —
Original