El framework DeepAgents de LangChain

• Los agentes tradicionales basados en LLM suelen tener una estructura de “agentes superficiales”, donde simplemente repiten llamadas a herramientas, pero Deep Agents son agentes de IA planificados y estructurados capaces de resolver con profundidad tareas complejas y de largo plazo
• Agentes recientes como Deep Research, Manus y Claude Code implementan “agentes profundos” capaces de explorar temas más a fondo y gestionar mejor el contexto
  • Prompts de sistema detallados, herramientas de planificación, subagentes y uso del sistema de archivos son la clave de estos “agentes profundos”
• LangChain publicó el paquete open source deepagents para que cualquiera pueda crear fácilmente un deep agent adaptado a su vertical (dominio)
  • Permite configurar prompts, herramientas y subagentes personalizados, y ofrece un framework de propósito general aplicable a áreas como investigación y desarrollo

---

Limitaciones de los agentes LLM tradicionales y características de los Deep Agents

• Agente tradicional: el LLM entra en un bucle y solo llama herramientas → adecuado solo para contextos cortos y tareas breves o simples
• Deep Agents: pueden descomponer, planificar, dar seguimiento y colaborar por sí mismos incluso en metas de largo plazo y tareas complejas

Los 4 elementos que componen a los Deep Agents

1. Prompts de sistema detallados

   • Como en casos representativos como Claude Code, se usan prompts que especifican en detalle cómo usar herramientas y ejemplos de comportamiento
   • Instrucciones complejas y ejemplos few-shot impulsan un pensamiento y una ejecución más “profundos”

2. Herramientas de planificación

   • Aunque no tengan una función real, incluir herramientas de planificación como una lista de pendientes dentro de la rutina ayuda a gestionar el contexto y mantener la capacidad de ejecución
   • Incluso si son no-op (no hacen nada), aportan contexto dentro del prompt

3. Subagentes (Sub Agents)

   • Se crean y dividen subagentes por subtarea, y cada agente trabaja de forma independiente antes de integrar los resultados
   • Incluso problemas grandes o complejos pueden resolverse con una estructura paralela y de división del trabajo

4. Sistema de archivos

   • No solo sirve para trabajo real con archivos, sino también como almacén de notas y contexto
   • Varios agentes y subagentes comparten el sistema de archivos para colaborar y mantener el contexto a largo plazo

El framework Deep Agents de LangChain: deepagents

• Paquete open source de Python (pip install deepagents), con configuración de prompts, herramientas y subagentes personalizados
  • Prompt de sistema inspirado en Claude Code, ajustado para ser más general
  • Herramienta de planificación de lista ToDo no-op (igual que en Claude Code)
  • Permite crear subagentes y definirlos de forma personalizada
  • Sistema de archivos virtual basado en conceptos de LangGraph (usando el estado del agente)
• También ofrece como ejemplo un agente de deep research, lo que facilita crear agentes especializados por vertical

Ejemplos de uso y valor

• Optimizado para tareas de IA de largo plazo y compuestas, como investigación y desarrollo, generación de código, research y automatización compleja
• El diseño detallado del contexto y la estructura de división del trabajo permiten generar resultados más profundos
• Cualquiera puede construir un “deep agent” adaptado a su dominio, lo que apunta al siguiente paso en el uso de la IA