Deep Agents: kontekstin hallinta pitkäkestoisissa tehtävissä LangChainissa

Nykyaikaiset tekoälyagentit perustuvat erilaisiin lähestymistapoihin: valmiisiin kehyksiin, konfigurointiin käyttöliittymän kautta tai räätälöityyn kehitykseen. Yksi suosittu kehys on LangChain, joka aloitti lineaarisilla putkistoilla (Runnable) ja kehittyi sitten LangGraphiksi tilakaavioille, joissa on ReAct-sykli (Reasoning + Acting). Lyhyissä tehtävissä tämä riittää, mutta pitkissä tehtävissä agentti kerää kontekstia: historiaa, työkalujen tuloksia, suunnitelmia, tiedostoja. Tästä syntyy kontekstisuunnittelu — agentin ympäristön hallinta. Deep Agents on valmis toteutus tällaisesta ympäristöstä LangChain-ekosysteemissä, tarjottuna deepagents-kirjastona. create_agentin päälle se lisää middleware-kerroksia, työkaluja ja kehoteohjeita pitkille tehtäville: suunnittelu (write_todos), tiedostotyökalut liitettävillä taustajärjestelmillä, yleiskäyttöinen alagentti (task), historian tiivistäminen, keskeneräisten työkaluoperaatioiden palautus ja valinnaisesti taidot, muisti, ihmisen osallistuminen (human-in-the-loop) ja hiekkalaatikko. Kuitenkin ilman lisäparametrejäkin järjestelmäkehote kasvaa 35 tokenista 6 215 tokeneihin vakiomuotoisen BASE_AGENT_PROMPTin ja lisättyjen työkalujen vuoksi, mikä lisää kustannuksia ja voi hämmentää pienempiä malleja.