Большинство ИИ-агентов отлично живут, пока просишь их сделать что-то короткое. Вызвали пару инструментов, ответили, разошлись. Но стоит задаче стать взрослой — на несколько шагов, с промежуточными файлами, черновиками и «а давай ещё вот это» — агент начинает плыть. Как человек, который открыл 27 вкладок и забыл зачем вообще включил ноутбук.
LangChain — один из самых популярных инструментов для сборки ИИ-агентов — выпустил Deep Agents. Это не новая модель и не революция. Это набор нормальных настроек и инструментов для агентов, которым нужно жить дольше одного запроса.
Проблема: агент живёт одним моментом
Без нормальной структуры агент работает как человек без записной книжки: что видит прямо сейчас — то и делает. Задача длинная — начинается сериал без сценария. К пятому шагу он уже не помнит что решили на первом.
Плюс есть техническое ограничение: у любой языковой модели есть предел «рабочей памяти» — объём информации который она держит в голове за один разговор. Стоит этот предел переполнить, и модель начинает забывать начало разговора. Как только ты говоришь «и ещё один маленький нюанс» — а там уже двадцатый нюанс — качество ответов падает.
Что даёт Deep Agents
Первое — планирование. Агент сначала накидывает список шагов, потом идёт по ним и обновляет план если по дороге выяснилось что-то новое. Это особенно полезно для исследований и анализа — всего где финальный маршрут неизвестен заранее. Без этого слоя агент импровизирует на каждом шаге. Иногда получается джаз. Чаще — хаос.
Второе — файловая система. Большие куски информации агент записывает в файлы: черновик отчёта, найденные источники, промежуточные результаты, заметки. А потом возвращается и читает нужное.
Это не абстрактная «память» про которую все любят говорить в презентациях. Это обычная рабочая тетрадь. Агент не держит всё в голове — он складывает в папку и достаёт когда нужно.
Третье — субагенты. Вместо того чтобы всё сваливать в один поток — цели, инструменты, выводы, временные решения — главный агент остаётся дирижёром и раздаёт куски работы отдельным исполнителям. Каждый уходит в свою задачу с чистым контекстом и возвращается с результатом.
Один большой агент со всем сразу — это коммуналка. Несколько изолированных — нормальный офис с отдельными кабинетами.
Долгая память между разговорами
Отдельная фича — агент может помнить полезные факты не только внутри одного разговора, но и между разными сессиями. Узнал что-то важное про проект сегодня — завтра не придётся объяснять заново.
Пока это работает в рамках экосистемы LangGraph — движка который управляет шагами агента. Но для большинства задач этого достаточно.
Кому это нужно
Deep Agents решает конкретную проблему: агент получает структуру для длинной работы. План есть. Черновики есть. Подзадачи можно разносить по разным исполнителям. Память прикручена.
Это как перейти от бумажки на коленке к рабочему столу с папками и стикерами. Уборки всё равно не избежать — но хотя бы появляется шанс не потерять важное под кружкой кофе.