Los agentes de IA son cada vez más útiles a medida que dejan de limitarse a responder preguntas y comienzan a encargarse de tareas de principio a fin. LangChain Deep Agents agrega más control y flexibilidad al ayudar a los agentes a desglosar el trabajo, usar diferentes herramientas, gestionar información y coordinar tareas más pequeñas. Esto facilita la creación de agentes capaces de manejar flujos de trabajo del mundo real sin necesitar supervisión constante. Veamos cómo funcionan LangChain Deep Agents y qué se puede construir con ellos.
¿Qué son los LangChain Deep Agents?
LangChain Deep Agents es un framework de agentes construido sobre los bloques básicos de LangChain y el entorno de ejecución LangGraph. Extiende los flujos de trabajo estándar de agentes con capacidades integradas como acceso al sistema de archivos, delegación a subagentes, planificación, memoria y soporte de intervención humana. Deep Agents usa un bucle de agente que combina razonamiento, llamadas a herramientas y ejecución iterativa, lo que lo hace adecuado para tareas complejas que requieren múltiples pasos, grandes cantidades de contexto y flujos de trabajo coordinados.
A diferencia de los agentes básicos, que principalmente llaman herramientas en un bucle simple, Deep Agents ofrece infraestructura adicional para manejar tareas de larga duración. Puede gestionar archivos, delegar trabajo a subagentes especializados, mantener el contexto a lo largo de flujos de trabajo complejos y permitir la intervención humana cuando es necesario. Estas capacidades integradas reducen la cantidad de ingeniería personalizada necesaria al construir sistemas de agentes avanzados.
Cómo funcionan los LangChain Deep Agents
Cuando un Deep Agent recibe una tarea, analiza la solicitud y planifica los pasos necesarios para completarla. Luego usa las herramientas disponibles, como búsqueda, ejecución de código u operaciones del sistema de archivos, para recopilar información y realizar acciones.
Durante la ejecución, Deep Agents gestiona el contexto mediante la lectura y escritura de archivos. En lugar de mantener todos los resultados intermedios dentro del historial de la conversación, puede almacenar grandes cantidades de información de forma externa y recuperarla cuando sea necesario. Este enfoque ayuda a los agentes a manejar flujos de trabajo más largos y reduce las limitaciones causadas por el tamaño de la ventana de contexto.
Para tareas complejas que abarcan varias áreas de trabajo, Deep Agents puede delegar subtareas específicas a subagentes especializados. Cada subagente se centra en un objetivo definido y devuelve los resultados relevantes al agente principal. Luego, el agente principal combina los resultados de los subagentes, la información recuperada y los archivos almacenados para generar una respuesta completa y coherente.
Con funciones como planificación, uso de herramientas, gestión del sistema de archivos, colaboración con subagentes y supervisión humana, LangChain Deep Agents sienta las bases para construir sistemas de IA más capaces que puedan manejar tareas del mundo real con múltiples pasos.
Capacidades principales de Deep Agents: planificación, herramientas y ejecución
Deep Agents puede manejar tareas que requieren múltiples pasos, decisiones y acciones. Sus funciones principales le ayudan a planificar el trabajo, usar las herramientas adecuadas y completar cada paso de forma eficiente con menos intervención manual. Veamos estas capacidades en detalle:
Planificación de tareas
La planificación de tareas permite a los agentes crear y gestionar una lista de tareas estructurada durante la ejecución. En lugar de manejar un objetivo complejo como una sola instrucción, los agentes pueden dividirlo en pasos más pequeños, seguir el progreso y actualizar el estado de las tareas a lo largo del flujo de trabajo.
Cuándo usar la planificación
Tareas largas o complicadas con múltiples pasos
Tareas que se benefician del seguimiento explícito del progreso y una ejecución estructurada
Interfaces de usuario que transmiten el progreso desde el estado del agente
Cómo habilitarla
Pasa TodoListMiddleware al parámetro middleware. Esto le da al agente una herramienta write_todos para mantener una lista de tareas estructurada con seguimiento de estado (pending, in_progress, completed).
from deepagents import create_deep_agent
from deepagents.middleware import TodoListMiddleware
agent = create_deep_agent(
model="your-model",
middleware=[TodoListMiddleware()],
)Las tareas se guardan en el estado del agente, lo que le da una capa de planificación ligera para organizar el trabajo de larga duración.
Herramientas del sistema de archivos virtual
Deep Agents ofrece un sistema de archivos virtual configurable respaldado por backends conectables: estado en memoria, disco local, almacén de LangGraph, enrutamiento compuesto o backends personalizados con reglas de permisos.
Herramientas de sistema de archivos integradas
| Herramienta | Descripción |
|---|---|
ls | Lista los archivos de un directorio con sus metadatos (tamaño, hora de modificación) |
read_file | Lee el contenido de archivos con números de línea; admite offset/limit para archivos grandes; también devuelve bloques de contenido multimodal para imágenes, video, audio y documentos |
write_file | Crea un archivo nuevo o sobrescribe uno existente |
edit_file | Realiza reemplazos exactos de cadenas de texto en archivos (con modo de reemplazo global) |
delete | Elimina un archivo o directorio de forma recursiva |
glob | Encuentra archivos que coincidan con patrones (por ejemplo, **/*.py) |
grep | Busca contenido en archivos con múltiples modos de salida |
execute | Ejecuta comandos de shell en el entorno (solo backends de tipo sandbox) |
Extensiones multimodales admitidas
Imagen:
.png,.jpg,.jpeg,.gif,.webp,.heic,.heifVideo:
.mp4,.mpeg,.mov,.avi,.flv,.mpg,.webm,.wmv,.3gppAudio:
.wav,.mp3,.aiff,.aac,.ogg,.flacDocumento:
.pdf,.ppt,.pptx
Permisos del sistema de archivos
El harness admite reglas de permisos declarativas que controlan qué archivos y directorios puede leer o escribir el agente. Las reglas se evalúan de arriba hacia abajo, y gana la primera coincidencia.
from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)from deepagents import create_deep_agent
agent = create_deep_agent(
model="anthropic:your-model",
permissions=[
{"operations": ["read", "write"], "paths": ["/workspace/**"], "mode": "allow"},
{"operations": ["read"], "paths": [".env", "**/secrets/**"], "mode": "deny"},
],
)Esto te permite restringir los agentes a directorios específicos, proteger archivos sensibles y otorgar a los subagentes un acceso más limitado que el del agente principal.
Restricción del acceso a herramientas
Puedes exponer solo un subconjunto de herramientas del sistema de archivos pasando una lista de permitidas (tools) a FilesystemMiddleware. read_file siempre debe estar incluido.
from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)from deepagents import create_deep_agent
from deepagents.middleware import FilesystemMiddleware
# Read-only agent
agent = create_deep_agent(
model="your-model",
middleware=[
FilesystemMiddleware(backend=backend, tools=["read_file", "ls", "glob", "grep"]),
],
)Subagentes (delegación)
El harness incluye una herramienta integrada llamada task que permite al agente principal crear subagentes efímeros para tareas aisladas, de larga duración, de varios pasos o paralelas.
Características principales
Contexto nuevo: cada invocación crea una nueva instancia de agente con su propio contexto
Ejecución autónoma: el subagente se ejecuta de forma independiente hasta finalizar
Entrega única: devuelve un único informe final al agente principal
Estrategia configurable: usa el subagente predeterminado
general-purposeo define subagentes personalizadosEficiencia de contexto: el trabajo pesado de las subtareas permanece aislado y se comprime en un resultado compacto
Desactivación de subagentes
Para ejecutar un agente sin la herramienta task, desactiva el subagente que se agrega automáticamente mediante el perfil del harness y no pases subagentes síncronos con subagents=. No intentes eliminar SubAgentMiddleware mediante excluded_middleware; eso se rechaza intencionalmente.
Capacidades de llamada a herramientas
Los Deep Agents admiten tres categorías de herramientas:
Funciones personalizadas y herramientas de LangChain
Pasa funciones personalizadas o herramientas de LangChain directamente mediante el parámetro tools=:
MCP (Model Context Protocol)
Los Deep Agents admiten MCP por completo, lo que te permite conectarte a bases de datos, API, sistemas de archivos y más a través de una interfaz estándar.
Ejecución de código
Backends de sandbox: expone una herramienta
executepara comandos de shell en un entorno aisladoInterpretadores: agrega una herramienta
evalque ejecuta JavaScript en un runtime de QuickJS delimitado para capas programables ligeras
A medida que estas capacidades se combinan, el modelo de lenguaje que impulsa al agente se convierte en una parte importante de toda la configuración. Un modelo capaz puede ayudar a los Deep Agents a entender instrucciones, razonar sobre las tareas y aprovechar mejor las herramientas disponibles. La Kimi API puede aportar esta capa de modelo, lo que la convierte en un paso natural para crear flujos de trabajo más capaces con Deep Agents.
Conecta Kimi API con LangChain Deep Agents en 6 pasos
Un modelo capaz le da a tu Deep Agent la comprensión del lenguaje y el razonamiento necesarios para manejar tareas de manera efectiva. Kimi API puede aportar estas capacidades mientras el agente trabaja con herramientas, gestiona tareas y maneja instrucciones complejas. Con la capa de modelo lista, el siguiente paso natural es conectar Kimi API con LangChain Agents. Así puedes conectar Kimi API con LangChain Deep Agents:
Paso 1: obtén tu clave de la API de Kimi
Inicia sesión en la plataforma de la API de Kimi y crea una nueva clave de API. Copia y guarda la clave de forma segura, ya que deberás agregarla a la configuración de tus Deep Agents. Esta clave de API autentica tus solicitudes y permite que los Deep Agents de LangChain accedan a los modelos de Kimi a través de la API.
Paso 2: configura las variables de entorno
Configura tu clave de la API de Kimi como una variable de entorno. La Kimi API usa el endpoint de la API de Moonshot, así que configura la siguiente variable:
export MOONSHOT_API_KEY="your-api-key-here"export MOONSHOT_API_KEY="your-api-key-here"La URL base de la API es:
https://api.moonshot.ai/v1https://api.moonshot.ai/v1Paso 3: instala las dependencias
Instala Deep Agents y las dependencias necesarias de LangChain:
pip install deepagents langchain-openai
``````bash
pip install deepagents langchain-openaiDado que la Kimi API es compatible con OpenAI, langchain-openai permite que LangChain se conecte a los modelos de Kimi a través de la interfaz compatible con OpenAI.
Si quieres agregar capacidades de búsqueda web a tu Deep Agent, puedes instalar Tavily de forma opcional:
pip install tavily-pythonpip install tavily-pythonDespués de crear una clave de la API de Tavily desde la plataforma de Tavily, configúrala como una variable de entorno:
export TAVILY_API_KEY="your-tavily-api-key"export TAVILY_API_KEY="your-tavily-api-key"Solo necesitas Tavily si planeas agregar herramientas de búsqueda web a tu agente.
Paso 4: configura un Deep Agent con Kimi API
Dado que la Kimi API es compatible con el formato de la API de OpenAI, puedes conectarla a LangChain Deep Agents mediante init_chat_model.
El siguiente ejemplo crea un Deep Agent básico impulsado por Kimi. Puedes extenderlo opcionalmente con herramientas como la búsqueda web.
Deep Agent básico impulsado por Kimi
Agregar capacidades de búsqueda web (opcional)
Para habilitar la búsqueda web, conecta una herramienta de búsqueda como Tavily:
Con esta configuración, los Deep Agents pueden usar Kimi como modelo de razonamiento mientras acceden a capacidades de búsqueda externas a través de Tavily.
Paso 5: ejecuta tu Deep Agent impulsado por Kimi
Una vez que tu Deep Agent esté configurado con Kimi, ejecútalo para probar cómo maneja las tareas y las llamadas a herramientas.
result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)result = agent.invoke(
{"messages": [{"role": "user", "content": "What is LangGraph?"}]}
)
print(result["messages"][-1].content)Paso 6: habilita el trazado de LangSmith (opcional)
El trazado de LangSmith te ayuda a monitorear la ejecución del agente, incluidas las llamadas a herramientas, los pasos intermedios y las respuestas del modelo.
Habilita el trazado con las siguientes variables de entorno:
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"Usa LangSmith cuando necesites mayor visibilidad sobre los flujos de trabajo del agente, la depuración o el análisis de rendimiento.
Beneficios de usar Kimi API
Conectar Kimi API con Deep Agents puede hacer que los flujos de trabajo complejos sean más capaces y fáciles de gestionar. Esta combinación le da a los agentes un razonamiento más sólido, a la vez que les permite usar herramientas, manejar archivos y avanzar en varias tareas. Veamos los principales beneficios que ofrece esta configuración:
Mejora el razonamiento del agente y la ejecución de tareas
Los modelos de Kimi ofrecen una sólida comprensión del lenguaje y capacidad de razonamiento, lo que ayuda a los Deep Agents a analizar instrucciones complejas, desglosar tareas y generar respuestas más precisas. Esto permite que los agentes manejen flujos de trabajo de varios pasos de manera más efectiva con menos guía manual.
Crea flujos de trabajo de IA más capaces
Con Kimi API conectada a Deep Agents, los desarrolladores pueden combinar las capacidades del modelo de Kimi con herramientas, sistemas de archivos e integraciones externas compatibles con LangChain. Esto permite que los agentes realicen tareas como investigación, procesamiento de documentos, análisis de código y manejo de datos dentro de un flujo de trabajo unificado.
Escala tareas complejas con agentes autónomos
Los Deep Agents impulsados por Kimi pueden gestionar tareas de larga duración creando planes, usando herramientas y delegando subtareas cuando sea necesario. Esto facilita crear aplicaciones de IA que puedan completar flujos de trabajo complejos y, al mismo tiempo, reducir las operaciones manuales repetitivas.
Conclusión
Crear agentes de IA confiables empieza por elegir la base correcta para flujos de trabajo complejos. LangChain Deep Agents ofrece las herramientas y la estructura necesarias para crear agentes que puedan planificar, usar herramientas, gestionar contexto y manejar tareas de varios pasos con menos esfuerzo manual. Con el modelo y la configuración adecuados, los desarrolladores pueden convertir ideas avanzadas de agentes en aplicaciones prácticas. Al integrar la Kimi API, puedes potenciar aún más tus flujos de trabajo de Deep Agents con capacidades sólidas de razonamiento y contexto largo. Empieza a explorar la Kimi API y descubre qué puedes construir con agentes de IA.