Deep Agents: Context Engineering voor Langetermijntaken in LangChain
LangChain
Moonshot AI
Anthropic
De wereld van AI-agents evolueert snel: van lineaire LangChain-pijplijnen naar LangGraph-grafieken en verder naar kant-en-klare omgevingen zoals Deep Agents. Deep Agents is een bibliotheek die middleware, tools en prompts verzamelt rond de basis ReAct-loop voor het beheren van context in meerstapstaken. Het voegt planning, bestandstools, subagents, geschiedenissamenvatting en andere mechanismen toe, maar ten koste van een stevige toename van de systeemprompt (van 35 naar 6215 tokens) bij een lege aanvraag.
Moderne AI-agents zijn gebaseerd op verschillende benaderingen: kant-en-klare frameworks, configuratie via een gebruikersinterface (UI) of maatwerk. Een populair framework is LangChain, dat begon met lineaire pipelines (Runnable) en vervolgens evolueerde naar LangGraph voor statustoestanden (state graphs) met een ReAct-cyclus (Reasoning + Acting). Voor korte taken is dit voldoende, maar bij lange taken accumuleert de agent context: geschiedenis, toolresultaten, plannen, bestanden. Dit leidt tot context engineering — het beheren van de omgeving rond de agent. Deep Agents is een kant-en-klare implementatie van zo'n omgeving binnen het LangChain-ecosysteem, gepresenteerd als de deepagents-bibliotheek. Bovenop create_agent voegt het middleware-lagen, tools en promptinstructies toe voor langdurige taken: planning (write_todos), bestandstools met inplugbare backends, een general-purpose subagent (task), geschiedenissamenvatting, herstel van onvoltooide toolaanroepen en, optioneel, vaardigheden (skills), geheugen, een human-in-the-loop en een sandbox. Maar zelfs zonder extra parameters groeit de systeemprompt van 35 naar 6.215 tokens vanwege de constante BASE_AGENT_PROMPT en de toegevoegde tools, wat de kosten verhoogt en kleinere modellen in de war kan sturen.
Bron: Habr — хаб ИИ —
origineel