O framework DeepAgents da LangChain

• Enquanto os agentes tradicionais baseados em LLM geralmente seguem uma estrutura de "agente raso (shallow)", apenas repetindo chamadas de ferramentas, os Deep Agents são agentes de IA planejados e estruturados capazes de resolver com profundidade até tarefas complexas e de longo prazo
• Agentes recentes como Deep Research, Manus e Claude Code implementam "agentes profundos" com capacidade de explorar tópicos mais a fundo e gerenciar contexto
  • Prompts de sistema detalhados, ferramentas de planejamento, subagentes e uso do sistema de arquivos são os elementos centrais dos "agentes profundos"
• A LangChain lançou o pacote open source deepagents para que qualquer pessoa possa criar facilmente um deep agent adequado ao seu próprio vertical (domínio)
  • É possível configurar prompts, ferramentas e subagentes personalizados, oferecendo um framework de uso geral aplicável a várias áreas, como pesquisa e desenvolvimento

---

Limites dos agentes LLM existentes e características dos Deep Agents

• Agente tradicional: o LLM roda em loop e apenas chama ferramentas → adequado apenas para contexto curto e tarefas simples de curto prazo
• Deep Agents: conseguem decompor, planejar, acompanhar e colaborar por conta própria mesmo em objetivos de longo prazo e tarefas complexas

Os 4 elementos que compõem os Deep Agents

1. Prompt de sistema detalhado

   • Como em casos representativos como Claude Code, usa prompts que descrevem em detalhe como usar ferramentas e exemplos de comportamento
   • Instruções complexas e exemplos few-shot induzem um raciocínio e uma execução mais "profundos"

2. Ferramenta de planejamento (Planning)

   • Mesmo sem função real, incluir uma ferramenta de planejamento como uma "lista de tarefas" na rotina ajuda a manter o gerenciamento de contexto e a capacidade de execução
   • Mesmo sendo no-op (sem fazer nada), ela fornece contexto no prompt

3. Subagentes (Sub Agents)

   • Criam e dividem subagentes por subtarefa, e cada agente trabalha individualmente antes de integrar os resultados
   • Mesmo problemas grandes e complexos podem ser tratados com uma estrutura paralela e de divisão de trabalho

4. Sistema de arquivos

   • Além de trabalho real com arquivos, ele é usado como repositório de notas e contexto
   • Vários agentes e subagentes compartilham o sistema de arquivos para colaborar e manter contexto de longo prazo

O framework Deep Agents da LangChain: deepagents

• Pacote Python open source (pip install deepagents), com configuração de prompts, ferramentas e subagentes personalizados
  • Prompt de sistema inspirado no Claude Code, mas ajustado para ser mais geral
  • Ferramenta de planejamento com lista ToDo no-op (igual ao Claude Code)
  • Suporte à criação de subagentes e personalização deles
  • Sistema de arquivos virtual usando conceitos do LangGraph (com base no estado do agente)
• Também oferece como exemplo um agente de deep research, facilitando a criação de agentes especializados por vertical

Exemplos de uso e valor

• Otimizado para tarefas de IA de longo prazo e multifacetadas, como pesquisa e desenvolvimento, geração de código, research e automações complexas
• Projeto detalhado de contexto e estrutura de divisão de trabalho permitem gerar resultados mais profundos
• Qualquer pessoa pode criar um "deep agent" adequado ao seu domínio — apontando para a próxima etapa do uso de IA