Deep Agents : Ingénierie de Contexte pour Tâches à Long Terme dans LangChain

Les agents IA modernes reposent sur différentes approches : frameworks prêts à l'emploi, configuration via une interface utilisateur (IU), ou développement sur mesure. Un framework populaire est LangChain, qui a commencé avec des pipelines linéaires (Runnable) puis a évolué vers LangGraph pour des graphes d'état avec un cycle ReAct (raisonnement + action). Pour les tâches courtes, cela suffit, mais pour les tâches longues, l'agent accumule du contexte : historique, résultats d'outils, plans, fichiers. Cela donne naissance à l'ingénierie de contexte — la gestion de l'environnement autour de l'agent. Deep Agents est une implémentation prête à l'emploi d'un tel environnement au sein de l'écosystème LangChain, présentée sous la forme de la bibliothèque deepagents. Par-dessus create_agent, elle ajoute des couches intermédiaires, des outils et des instructions de prompt pour les tâches de longue durée : planification (write_todos), outils de fichiers avec des backends enfichables, un sous-agent généraliste (task), la synthèse de l'historique, la reprise des appels d'outils interrompus, et, optionnellement, des compétences, une mémoire, un humain dans la boucle, et un bac à sable. Cependant, même sans paramètres supplémentaires, le prompt système passe de 35 à 6 215 tokens en raison du BASE_AGENT_PROMPT constant et des outils ajoutés, ce qui augmente le coût et peut perturber les modèles plus petits.