Команда GigaChain, развивающая экосистему вокруг GigaChat, представила deepagents-gigachat — профиль обвязки (harness) для фреймворка Deep Agents от LangChain. Профиль учитывает особенности модели GigaChat-3-Ultra и, по данным авторов, на фиксированном сете из 391 задачи поднял долю решённых задач с 77,2% до 87,0%, а расход токенов сократил практически вдвое. Это первый сторонний профиль, который живёт вне основного репозитория
Deep Agents — открытый фреймворк LangChain для построения агентных систем на стеке LangChain/LangGraph. В нём файловая система, shell, планировщик, субагенты и память описаны как абстракции, из которых собирается обвязка под конкретную задачу. В апреле в Deep Agents появились профили обвязки (HarnessProfile) — декларативный слой переопределений под конкретную модель: системный промпт, состав и описания инструментов, набор middleware. Готовые профили для моделей OpenAI и Anthropic включены в поставку и подключаются автоматически по имени модели. Для Anthropic у каждой модели (Haiku, Sonnet, Opus) свой профиль, у OpenAI — один на все Codex-модели.
| Модель | Без профиля | С профилем |
|---|---|---|
| GPT 5.3 Codex (tau2-bench) | 33% | 53% |
| GigaChat-3-Ultra (сеть 391 задачи) | 77,2% | 87,0% |
Необходимость таких профилей объясняется тем, что модели, даже похожие снаружи, имеют разные «привычки». OpenAI рекомендует для Codex-моделей инструмент apply_patch и поощрение батчинга — отправку нескольких независимых tool-вызовов одним ходом. Anthropic советует для Claude после каждого результата инструмента оценивать его качество и только потом выбирать следующий шаг. Эти рекомендации полезны своим моделям, но бесполезны или вредны чужим. Если обвязка не учитывает особенности модели, качество работы агента падает. Яркий пример — Claude Code, который, по опросу Pragmatic Engineer, стал самым любимым кодовым агентом у разработчиков во многом потому, что Claude дообучали прямо в этой обвязке. В чужой обвязке та же модель может ошибаться заметнее: Армин Ронахер, создатель Flask, описывал случай, когда свежий Claude в сторонней обвязке вызывает инструмент правки в привычном формате, но в чужой схеме нужных полей нет, и вызов отклоняется.
На тестовом сете из 391 задачи доля решённых задач выросла с 77,2% до 87,0%.
LangChain активно развивает Deep Agents. В феврале 2026 года команда показала на Terminal-Bench 2.0, что настройка обвязки под GPT 5.2 Codex поднимает результат агента с 52,8% до 66,5% — примерно с Top 30 в Top 5 лидерборда. На подмножестве tau2-bench профиль поднимает долю решённых задач на 10–20 процентных пунктов: например, GPT 5.3 Codex с профилем вырос с 33% до 53%. В июле в поставку Deep Agents 0.7 вошёл профиль под открытую модель NVIDIA Nemotron 3 Ultra.
Профиль GigaChain использует те же механизмы. Авторы рассказали, что при настройке правили промпты и описания инструментов, а часть правил зашивали прямо в код. Для измерения прогресса они сделали открытый бенчмарк harness-bench-fast. Влияние профиля видно на простом примере: задача «переименуй файл oldname.txt в newname.txt» без профиля выполняется через write_file и execute, что может привести к лишним действиям и ошибкам. С профилем агент использует более подходящие инструменты и последовательность шагов, что экономит токены и повышает точность.
Для пользователей Deep Agents это означает, что теперь можно подключать GigaChat в качестве модели с гарантией лучшей совместимости. Профиль оформлен как отдельный Python-пакет, который Deep Agents подхватывает без изменений в коде приложения. Это снижает порог входа для использования GigaChat в агентных сценариях и расширяет экосистему Deep Agents за счёт сторонних решений.
