Команда GigaChain, развивающая open source-решения для подключения агентов к GigaChat API, опубликовала на Habr подробный разбор Deep Agents — агентной обвязки от LangChain. Материал объясняет, из чего состоит обвязка и как собрать на её основе агента, работающего с GigaChat.
LangChain развивается с 2022 года и стала одной из самых популярных экосистем для агентов: у основной библиотеки более 140 тысяч звёзд на GitHub. LangGraph — движок, исполняющий агента как граф с состоянием, — позволяет собирать как простые цепочки вызовов, так и сложных автономных агентов, ведущих задачу на сотни шагов. Поверх этого стека команда LangChain выпустила Deep Agents — готовую агентную обвязку, включающую рабочую среду с файловой системой, оболочкой, планировщиком, субагентами и памятью.
| Слой | Что даёт |
|---|---|
| Deep Agents | Готовая обвязка: планирование, файловая система, субагенты, память, навыки. |
| LangChain | Агенты, инструменты, middleware API. |
| LangGraph | Среда исполнения графа: состояние, checkpointing, streaming, прерывания. |
| langchain-core | Сообщения, модели, инструменты, Runnable. |
Агентная обвязка — это слой инженерных решений вокруг одной модели, который превращает её из собеседника в агента, способного вести задачу на десятки и сотни шагов, работать в реальной среде и оставлять артефакты: кодовую базу, отчёт с таблицами, презентацию. В основе лежит агентный цикл: модель получает историю сообщений и на каждом шаге решает, вызвать инструмент или дать финальный ответ. Однако в чистом виде этот цикл плохо переносит длинные задачи из-за четырёх проблем: переполнение контекста (context rot), потеря плана, раздувание инструкций и отсутствие целостной среды.
Обвязка решает четыре проблемы: переполнение контекста, потерю плана, раздувание инструкций и отсутствие среды.
Deep Agents решает эти проблемы системно. В типичной обвязке пять компонентов: среда исполнения (файловая система, оболочка, выполнение кода), управление контекстом (агрегирование истории, выгрузка больших результатов в файлы), планирование (структурированный список задач как артефакт), делегирование (субагенты с изолированным контекстом) и контроль (точки одобрения опасных действий). Databricks, например, насчитывает восемь компонентов, добавляя наблюдаемость и автоматическую проверку результата.
Для разработчиков, работающих с GigaChat, Deep Agents предоставляет готовую основу: достаточно поместить модель в обвязку, и она получает рабочее место для выполнения задач. Это снижает порог входа в создание агентов и позволяет сосредоточиться на логике, а не на инфраструктуре.
