LangChain opisuje, ako Deep Agents rieši dlhé behy agentov mimo kontextového okna

LangChain v októbri 2026 zarámcoval pri Deep Agents problém takzvaného „context rot“: pri dlhých úlohách sa agentovi hromadí história, výstupy nástrojov a ďalšie inštrukcie, až sa zhoršuje práca v obmedzenom kontextovom okne modelu. Podľa produktovej stránky je Deep Agents open-source agent harness určený na dlhšie a komplexnejšie úlohy, kde rieši plánovanie, správu kontextu a orchestráciu viacerých agentov. Pre čitateľa je dôležité, že nejde len o všeobecné tvrdenie o „lepšej pamäti“, ale o konkrétny návrh architektúry: časť informácií sa má presúvať mimo aktívneho promptu, pričom agent si ich vie neskôr znovu načítať. LangChain zároveň uvádza, že pamäť Deep Agents je uložená ako bežné súbory v úložisku pod kontrolou používateľa, takže sa nemá viazať na jedného poskytovateľa modelu.

Najkonkrétnejší technický opis dáva januárový text o context managemente. Deep Agents podľa neho používa filesystem abstraction s operáciami na výpis, čítanie, zápis, vyhľadávanie aj spúšťanie súborov a agent si z neho podľa potreby vie znovu vytiahnuť odložený obsah. Kompresia kontextu má tri hlavné kroky. Po prvé, veľké výsledky nástrojov sa odkladajú do filesystemu; keď odpoveď z nástroja presiahne 20 000 tokenov, model dostane len cestu k súboru a náhľad prvých desiatich riadkov. Po druhé, pri raste kontextu sa odkladajú staršie write/edit argumenty volaní nástrojov. Po tretie, ak už nie je čo ďalej odkladať, systém sumarizuje históriu správ. Produktová stránka k tomu dopĺňa ďalšie dva stavebné kamene: subagentov s izolovaným kontextom a prompt caching, ktorý má znižovať latenciu a náklady.

Ďalší októbrový posun sa týka skills. LangChain píše, že nástroje sa po novom dajú viazať na konkrétny skill, takže ich schémy nemusia byť stále v kontexte; načítajú sa až vtedy, keď agent daný skill otvorí. To je prakticky dôležité najmä pri väčších knižniciach interných postupov, kde by neustále vkladanie všetkých inštrukcií a tool schém zbytočne zaberalo prompt. Deep Agents podľa podkladu zachováva princíp progresívneho odhaľovania: stále dostupný je názov a popis skillu, ale plné inštrukcie a podporné súbory sa čítajú až na požiadanie. Pribudli aj pinned skills, ktoré aplikácia vie vložiť do kontextu ešte pred prvým volaním modelu, a reloading skills počas dlhého vlákna bez zakladania nového threadu.

Z redakčného pohľadu je najzaujímavejšie to, že LangChain skladá správu kontextu z viacerých menších mechanizmov namiesto jedného „nekonečného okna“. Pre tímy, ktoré stavajú dlhšie agentické workflowy, je to použiteľný vzor: veľké tool outputy nechať mimo promptu, vracať sa k nim cez súbory, delegovať časť práce na subagentov a firemné know-how dávkovať cez skills až v momente potreby. To môže znížiť tlak na kontextové okno a pomôcť udržať auditovateľné artefakty mimo jedného dlhého chatu. Hranica podkladov je však jasná: všetky tvrdenia pochádzajú od LangChainu, v dodaných úryvkoch chýbajú nezávislé benchmarky, presné verzie aj reprodukovateľný test, ktorý by potvrdil, o koľko sa presnosť, latencia alebo náklady reálne menia v praxi.