Framework DeepAgents dari LangChain

• Agen berbasis LLM yang ada umumnya berstruktur 'agen dangkal (shallow)' yang sekadar memanggil tool berulang kali, tetapi Deep Agents adalah agen AI yang terencana dan terstruktur yang mampu menyelesaikan tugas kompleks dan jangka panjang secara mendalam
• Agen-agen terbaru seperti Deep Research, Manus, Claude Code mengimplementasikan 'agen mendalam' yang memungkinkan eksplorasi topik yang lebih dalam dan pengelolaan konteks
  • Prompt sistem yang detail, tool perencanaan, sub-agen, dan pemanfaatan sistem file adalah inti dari 'agen mendalam'
• LangChain merilis paket open-source deepagents agar siapa pun dapat dengan mudah membuat deep agent yang sesuai dengan vertical (domain) mereka sendiri
  • Mendukung konfigurasi prompt, tool, dan sub-agen kustom, serta menyediakan framework serbaguna yang dapat diterapkan di berbagai bidang seperti riset dan pengembangan

---

Keterbatasan agen LLM yang ada dan karakteristik Deep Agents

• Agen tradisional: LLM berputar dalam loop dan hanya memanggil tool → hanya cocok untuk konteks pendek dan tugas jangka pendek yang sederhana
• Deep Agents: dapat secara mandiri memecah, merencanakan, melacak, dan berkolaborasi untuk tujuan jangka panjang maupun tugas yang kompleks

Empat elemen yang membentuk Deep Agents

1. Prompt sistem yang detail

   • Seperti pada contoh representatif seperti Claude Code, digunakan prompt yang menjelaskan secara rinci cara penggunaan tool dan contoh perilaku
   • Instruksi kompleks dan contoh few-shot mendorong pemikiran serta eksekusi yang lebih 'mendalam'

2. Tool perencanaan (Planning)

   • Bahkan tanpa fungsi nyata, tool perencanaan seperti 'daftar To-Do' dimasukkan ke dalam rutinitas untuk menjaga pengelolaan konteks dan kemampuan eksekusi
   • Meski no-op (tidak melakukan apa pun), tetap memberi efek penyediaan konteks di dalam prompt

3. Sub-agen (Sub Agents)

   • Membuat dan membagi sub-agen untuk tiap sub-tugas, lalu masing-masing agen bekerja secara terpisah sebelum hasilnya digabungkan
   • Masalah besar atau kompleks dapat ditangani dengan struktur paralel dan pembagian kerja

4. Sistem file

   • Tidak hanya untuk pekerjaan file nyata, tetapi juga dimanfaatkan sebagai penyimpanan catatan dan konteks
   • Banyak agen dan sub-agen berbagi sistem file untuk kolaborasi dan mempertahankan konteks jangka panjang

Framework Deep Agents dari LangChain: deepagents

• Paket Python open-source (pip install deepagents), mendukung pengaturan prompt, tool, dan sub-agen kustom
  • Prompt sistem yang terinspirasi dari Claude Code, lalu dimodifikasi agar lebih umum
  • Tool perencanaan daftar ToDo no-op (sama seperti Claude Code)
  • Mendukung pembuatan sub-agen dan penetapan kustom
  • Sistem file virtual berbasis konsep LangGraph (menggunakan status agen)
• Menyediakan contoh agen deep research, sehingga agen yang terspesialisasi untuk vertical tertentu dapat dibuat dengan mudah

Contoh penggunaan dan nilainya

• Dioptimalkan untuk pekerjaan AI jangka panjang dan kompleks seperti riset dan pengembangan, pembuatan kode, riset, serta otomatisasi yang kompleks
• Perancangan konteks yang detail dan struktur pembagian kerja memungkinkan hasil yang lebih mendalam
• Siapa pun dapat membangun 'deep agent' yang sesuai dengan domainnya—menunjukkan tahap berikutnya dalam pemanfaatan AI