LangChains DeepAgents-Framework

• Herkömmliche LLM-basierte Agenten folgen meist einer „flachen“ Agentenstruktur, bei der lediglich Tools wiederholt aufgerufen werden. Deep Agents sind dagegen planvolle und strukturiert arbeitende KI-Agenten, die auch komplexe und langfristige Aufgaben tiefgehend lösen können
• Neuere Agenten wie Deep Research, Manus, Claude Code setzen „Deep Agents“ um, die eine tiefere Themenerschließung und besseres Kontextmanagement ermöglichen
  • Detaillierte System-Prompts, Planungstools, Sub-Agenten und die Nutzung eines Dateisystems sind der Kern von „Deep Agents“
• LangChain veröffentlicht das Open-Source-Paket deepagents, damit jeder leicht einen eigenen Deep Agent passend zum jeweiligen vertical (Domänenbereich) bauen kann
  • Benutzerdefinierte Prompts, Tools und Sub-Agenten lassen sich konfigurieren; zudem wird ein universelles Framework bereitgestellt, das sich in verschiedenen Bereichen wie Forschung und Entwicklung einsetzen lässt

---

Grenzen bestehender LLM-Agenten und Merkmale von Deep Agents

• Traditionelle Agenten: Das LLM läuft in einer Schleife und ruft nur Tools auf → geeignet nur für kurzen Kontext sowie kurzfristige und einfache Aufgaben
• Deep Agents: Können auch langfristige Ziele und komplexe Tasks selbstständig zerlegen, planen, nachverfolgen und kollaborativ bearbeiten

Die 4 Bausteine von Deep Agents

1. Detaillierte System-Prompts

   • Wie bei bekannten Beispielen wie Claude Code kommen Prompts zum Einsatz, die Tool-Nutzung und Verhaltensbeispiele detailliert festhalten
   • Komplexe Anweisungen und Few-Shot-Beispiele fördern ein „tieferes“ Denken und Ausführen

2. Planungs-Tools

   • Auch ohne echte Funktion werden Planungstools wie eine „To-do-Liste“ in die Routine eingebunden, um Kontextmanagement und Ausführungsfähigkeit aufrechtzuerhalten
   • Selbst als no-op (ohne tatsächliche Aktion) liefern sie dem Prompt wirksamen Kontext

3. Sub-Agenten

   • Für Teilaufgaben werden Sub-Agenten erzeugt und aufgeteilt; jeder Agent arbeitet separat und die Ergebnisse werden anschließend zusammengeführt
   • Auch große und komplexe Probleme lassen sich so durch Parallelisierung und Arbeitsteilung bearbeiten

4. Dateisystem

   • Dient nicht nur für echte Dateioperationen, sondern auch als Ablage für Notizen und Kontext
   • Mehrere Agenten und Sub-Agenten können ein Dateisystem gemeinsam nutzen, um zusammenzuarbeiten und langfristigen Kontext zu bewahren

LangChains Deep-Agents-Framework: deepagents

• Open-Source-Python-Paket (pip install deepagents), mit konfigurierbaren Prompts, Tools und Sub-Agenten
  • System-Prompt inspiriert von Claude Code, aber allgemeiner angepasst
  • no-op-To-do-Listen-Planungstool (wie bei Claude Code)
  • Erzeugung von Sub-Agenten sowie benutzerdefinierte Festlegung möglich
  • Virtuelles Dateisystem auf Basis von LangGraph-Konzepten (unter Nutzung des Agentenstatus)
• Als Beispiel wird ein Deep-Research-Agent bereitgestellt; damit lassen sich vertical-spezifische Agenten leicht erstellen

Anwendungsbeispiele und Nutzen

• Optimiert für langfristige und komplexe KI-Aufgaben wie Forschung und Entwicklung, Code-Generierung, Research und komplexe Automatisierung
• Detailliertes Kontextdesign und eine Struktur mit Arbeitsteilung ermöglichen tiefgehende Ergebnisse
• Jeder kann einen zum eigenen Domänenbereich passenden „Deep Agent“ aufbauen – ein nächster Schritt in der Nutzung von KI