Deep Agents: Rekayasa Konteks untuk Tugas Jangka Panjang di LangChain
LangChain
Moonshot AI
Anthropic
Dunia agen AI berkembang pesat: dari pipeline LangChain linier ke grafik LangGraph dan selanjutnya ke lingkungan siap pakai seperti Deep Agents. Deep Agents adalah pustaka yang mengumpulkan middleware, alat, dan prompt di sekitar loop ReAct dasar untuk mengelola konteks dalam tugas multi-langkah. Ia menambahkan perencanaan, alat berkas, subagen, perangkuman riwayat, dan mekanisme lainnya, tetapi dengan biaya — peningkatan tajam pada prompt sistem (dari 35 menjadi 6215 token) pada permintaan kosong.
Agen AI modern dibangun dengan pendekatan yang berbeda: kerangka kerja yang sudah jadi, konfigurasi melalui antarmuka pengguna (UI), atau pengembangan kustom. Salah satu kerangka kerja yang populer adalah LangChain, yang awalnya menggunakan alur linear (Runnable) dan kemudian berkembang menjadi LangGraph untuk graf keadaan dengan siklus ReAct (Reasoning + Acting). Untuk tugas-tugas pendek, ini sudah cukup, tetapi untuk tugas panjang, agen akan mengakumulasi konteks: riwayat, hasil alat, rencana, file. Hal ini memunculkan rekayasa konteks — mengelola lingkungan di sekitar agen. Deep Agents adalah implementasi siap pakai dari lingkungan semacam itu dalam ekosistem LangChain, yang disajikan sebagai pustaka deepagents. Di atas create_agent, ia menambahkan lapisan middleware, alat, dan instruksi prompt untuk tugas-tugas yang berjalan lama: perencanaan (write_todos), alat file dengan backend yang dapat dipasang, subagen tujuan umum (task), peringkasan riwayat, pemulihan panggilan alat yang belum selesai, dan secara opsional, keterampilan, memori, human in the loop, serta sandbox. Namun, bahkan tanpa parameter tambahan apa pun, prompt sistem bertambah dari 35 menjadi 6.215 token karena BASE_AGENT_PROMPT yang konstan dan alat-alat yang ditambahkan, yang meningkatkan biaya dan dapat membingungkan model yang lebih kecil.
Sumber: Habr — хаб ИИ —
asli