Pular para o conteúdo
Voltar para Agentes avançados

Agentes avançados · Capítulo 9 de 10

Um harness de deep agent

Um deep agent planeja com uma lista de afazeres, guarda notas em arquivos virtuais, passa partes de um trabalho a subagentes com um contexto novo e pausa antes das ferramentas que você nomear.

20 minutos0 de 4 objetivos concluídos

Objetivos

  • Inicie o trabalho e veja o agente escrever e atualizar sua lista de afazeres.A fazer
  • Aprove a gravação das notas e veja a árvore de arquivos crescer.A fazer
  • Rode três subagentes em paralelo e compare os tamanhos de contexto deles.A fazer
  • Passe na verificação.A fazer

Passo 1 de 4: A leitura

Um harness para trabalhos longos

Um harness é o código em volta do loop do modelo: o prompt, as ferramentas e o que cada chamada vê. O pacote de código aberto deepagents, da LangChain, é um deles, construído sobre o LangGraph. O anúncio dele em 2025 citou quatro partes: um prompt detalhado, uma ferramenta de planejamento, subagentes e um sistema de arquivos.

Afazeres e arquivos

write_todos({ todos }) recebe a lista inteira a cada vez, cada item pending, in_progress ou completed, e a guarda em state.todos. Não faz mais nada: o ganho é que o modelo relê seu plano a cada chamada. Duas chamadas no mesmo turno são recusadas. Para ativá-lo, adicione o todoListMiddleware() da LangChain a middleware.

As ferramentas de arquivos (ls, read_file, write_file, edit_file, glob, grep) trabalham sobre state.files, um sistema de arquivos virtual no estado do grafo. Os subagentes podem ler as notas ali, e elas sobrevivem a um resumo das mensagens antigas.

Subagentes

task({ description, subagent_type }) inicia um subagente com um contexto novo: seu próprio system prompt e a descrição, nenhuma das mensagens de quem o chamou. Ele começa com os arquivos de quem o chamou, os arquivos que ele grava são mesclados de volta, e só sua última mensagem retorna, como resultado da ferramenta. Chamadas no mesmo turno rodam em paralelo. Um subagente de uso geral, com as ferramentas de quem o chama, já vem por padrão.

Skills, memória e aprovações

Uma skill é uma pasta com um arquivo SKILL.md. Com skills: ['/skills/'], o prompt lista o nome e a descrição de cada skill, e o agente só lê o arquivo quando uma tarefa precisa dele. A opção memory carrega arquivos AGENTS.md no prompt. interruptOn, com um checkpointer, nomeia ferramentas que pausam a execução até que uma pessoa aprove, edite ou rejeite cada chamada. Esta página pausa em um breakpoint (interruptBefore), porque interrupt() precisa de AsyncLocalStorage.

Menos andaime

Cada parte custa tokens em toda chamada. O deepagents 1.12 (2026-07-29) tornou a lista de afazeres opcional e deixou vazio o system prompt genérico: os modelos atuais precisam de menos orientação. O texto da Anthropic sobre design de harness (2026-03-24) concorda: a cada modelo novo, remova as partes de que ele não precisa mais.

Neste laboratório

Um harness recriado escreve um relatório sobre as reclamações de reembolso na Halden, uma loja fictícia. Ao contrário do deepagents 1.16, ele ativa a lista com todos: true, mostra as skills ao pesquisador sem uma lista de skills própria, mantém a antiga linha genérica do prompt e não tem memória AGENTS.md. O agente principal pausa antes de write_file e task para que você possa acompanhá-lo; no seu próprio agente, pause antes das ferramentas que mudam coisas fora dele.

Passo 2 de 4: Experimente: Uma pesquisa, uma parte de cada vez

Uma pesquisa, uma parte de cada vez

Inicie o trabalho e acompanhe a lista de afazeres, deixe o agente principal gravar suas notas, depois aprove três subagentes e compare os tamanhos de contexto deles.

Modo:RealRecriadoSimuladoReal: o LangGraph.js 1.5.1 roda o loop nesta página, com seu MemorySaver e o breakpoint interruptBefore. Recriado: o harness deepagents 1.16 reconstruído no LangGraph.js 1.5.1, com seus nomes de ferramentas, padrões e mensagens, porque o pacote real não se instala ao lado do LangSmith 0.11 deste site; a memória AGENTS.md não foi recriada, e os tokens são estimados como caracteres / 4. Simulado: as decisões do modelo são roteirizadas, e os tickets da Halden são fictícios.

Passo 3 de 4: Verificação

Verificação

Código
const lead = createDeepAgent({
  systemPrompt: 'You write briefs.',
  subagents: [{
    name: 'researcher',
    description: 'Researches a cause.',
    systemPrompt: 'Edit the note, then report.',
  }],
});

// The lead's model asks for:
task({
  subagent_type: 'researcher',
  description:
    'Late refunds: /notes/late-refund.md',
})
O contexto do agente principal tem cerca de 1.400 tokens quando o modelo dele faz esta chamada. O pesquisador lê cerca de 600 tokens de arquivos, edita a nota e termina com um relato de 40 tokens. O que muda no estado do agente principal?

Passo 4 de 4: O que você já sabe fazer

O que você já sabe fazer

  • Ativar a lista de afazeres de um deep agent adicionando todoListMiddleware() ao middleware dele, e ler o plano em state.todos.
  • Guardar notas e rascunhos em state.files com ls, read_file, write_file, edit_file, glob e grep.
  • Passar trabalho autocontido a subagentes via task, e usar os relatos e arquivos que voltam.
  • Pausar um deep agent antes de ferramentas escolhidas com interruptOn e um checkpointer, e remover o andaime de que um modelo mais novo não precisa mais.