Deep Agents: Uzun Vadeli Görevler için LangChain'de Bağlam Mühendisliği
LangChain
Moonshot AI
Anthropic
Yapay zeka ajanlarının dünyası hızla evriliyor: doğrusal LangChain boru hatlarından LangGraph grafiklerine ve Deep Agents gibi hazır ortamlara. Deep Agents, çok adımlı görevlerde bağlam yönetimi için temel ReAct döngüsü etrafında ara katman yazılımları, araçlar ve ipuçları toplayan bir kütüphanedir. Planlama, dosya araçları, alt ajanlar, geçmiş özetleme ve diğer mekanizmaları ekler, ancak bir bedeli vardır — boş bir istekte sistem ipucunun (35 tokenden 6215 tokene) keskin bir şekilde artması.
Modern yapay zeka ajanları farklı yaklaşımlar üzerine inşa edilmiştir: hazır framework'ler, kullanıcı arayüzü (UI) üzerinden yapılandırma veya özel geliştirme. Popüler bir framework olan LangChain, doğrusal pipeline'lar (Runnable) ile başlamış ve daha sonra ReAct (Muhakeme + Eylem) döngüsü ile durum grafikleri için LangGraph'a evrilmiştir. Kısa görevler için bu yeterli olsa da, uzun görevlerde ajan bağlam biriktirir: geçmiş, araç sonuçları, planlar, dosyalar. Bu durum, ajanın etrafındaki ortamı yönetmeyi ifade eden bağlam mühendisliğini ortaya çıkarır. Deep Agents, LangChain ekosistemi içinde böyle bir ortamın hazır bir uygulaması olup, deepagents kütüphanesi olarak sunulmuştur. create_agent'ın üzerine, uzun süreli görevler için middleware katmanları, araçlar ve istem talimatları ekler: planlama (write_todos), takılabilir arka uçlara sahip dosya araçları, genel amaçlı alt ajan (task), geçmiş özetleme, tamamlanmamış araç çağrılarının kurtarılması ve isteğe bağlı olarak beceriler, bellek, insan döngüsü ve bir sandbox. Bununla birlikte, ek parametreler olmadan bile, sistem istemi sabit BASE_AGENT_PROMPT ve eklenen araçlar nedeniyle 35 token'dan 6.215 token'a çıkar, bu da maliyeti artırır ve küçük modellerin kafasını karıştırabilir.
Kaynak: Habr — хаб ИИ —
orijinal