V5 · skúšobná verzia
LangChain v blogu z 23. októbra 2026 rozobral, ako navrhovať retrieval pre dlhobežné AI agentov v Deep Agents. Jadrom odporúčania je nehádzať veľké výsledky priamo do kontextu hlavného agenta: najprv lacno nájsť kandidátov, potom veľké výstupy odložiť do súborov a ich čítanie delegovať na subagentov.
LangChain 13. októbra 2026 opísal integráciu langchain-scaledown a podporu ScaleDown v LangSmith LLM Gateway. Zmena je dôležitá tým, že opakované úlohy správy kontextu v dlhobežných agentoch presúva z veľkého generatívneho modelu do špecializovaných middleware pre sumarizáciu, kompresiu výstupov nástrojov a extrakciu polí.
LangChain v októbri 2026 zhrnul, ako jeho Deep Agents presúva časť pracovnej pamäte mimo aktívneho kontextu modelu. Z dostupných podkladov vyplýva kombinácia offloadingu do filesystemu, sumarizácie histórie, izolácie subagentov a progresívne načítavaných skills; chýbajú však nezávislé benchmarky aj presné verzie.
