Panduan LangChain Deep Agents: Fitur, Tools, dan Setup

Bangun AI agent yang lebih andal dengan LangChain Deep Agents. Pelajari bagaimana planning, tool calling, filesystem management, dan subagent workflow memungkinkan eksekusi tugas secara otonom, lalu hubungkan Kimi API untuk memperkuat agent Anda dengan kemampuan pemahaman bahasa dan penalaran yang canggih.

Dapatkan Kimi API Key Anda

12 menit baca2026-08-14

Menghubungkan Kimi API dengan LangChain Deep Agents

AI agent semakin bermanfaat karena tidak lagi hanya menjawab pertanyaan, tetapi mulai menangani tugas dari awal hingga akhir. LangChain Deep Agents menambahkan kontrol dan fleksibilitas lebih dengan membantu agent memecah pekerjaan, menggunakan berbagai tools, mengelola informasi, dan mengoordinasikan tugas-tugas yang lebih kecil. Ini membuat lebih mudah untuk membuat agent yang dapat menangani workflow di dunia nyata tanpa perlu arahan terus-menerus. Mari kita telusuri cara kerja LangChain Deep Agents dan apa yang bisa Anda bangun dengannya.

Apa itu LangChain Deep Agents?

LangChain Deep Agents adalah agent framework yang dibangun di atas building block inti LangChain dan runtime LangGraph. Framework ini memperluas workflow agent standar dengan kemampuan bawaan seperti akses filesystem, subagent delegation, planning, memory, dan dukungan human-in-the-loop. Deep Agents menggunakan agent loop yang menggabungkan reasoning, tool calling, dan eksekusi iteratif, sehingga cocok untuk tugas kompleks yang memerlukan banyak langkah, konteks dalam jumlah besar, dan workflow yang terkoordinasi.

Berbeda dari agent dasar yang umumnya hanya memanggil tools dalam loop sederhana, Deep Agents menyediakan infrastruktur tambahan untuk menangani tugas yang berjalan lama. Deep Agents dapat mengelola file, mendelegasikan pekerjaan ke subagent khusus, menjaga konteks di sepanjang workflow yang kompleks, dan mengizinkan intervensi manusia bila diperlukan. Kemampuan bawaan ini mengurangi jumlah rekayasa khusus yang dibutuhkan saat membangun sistem agent yang canggih.

Bagaimana LangChain Deep Agents bekerja

Ketika Deep Agent menerima suatu tugas, ia menganalisis permintaan tersebut dan merencanakan langkah-langkah yang diperlukan untuk menyelesaikannya. Kemudian, ia menggunakan tools yang tersedia, seperti search, code execution, atau operasi filesystem, untuk mengumpulkan informasi dan melakukan tindakan.

Selama eksekusi, Deep Agents mengelola konteks dengan membaca dan menulis file. Daripada menyimpan semua hasil antara di dalam riwayat percakapan, Deep Agents dapat menyimpan informasi dalam jumlah besar secara eksternal dan mengambilnya kembali saat diperlukan. Pendekatan ini membantu agent menangani workflow yang lebih panjang sekaligus mengurangi keterbatasan akibat ukuran context window.

Untuk tugas kompleks yang melibatkan beberapa area pekerjaan, Deep Agents dapat mendelegasikan subtugas tertentu ke subagent khusus. Setiap subagent berfokus pada tujuan yang telah ditentukan dan mengembalikan hasil yang relevan ke agent utama. Agent utama kemudian menggabungkan output subagent, informasi yang diperoleh, dan file yang tersimpan untuk menghasilkan respons yang lengkap dan koheren.

Dengan fitur seperti planning, penggunaan tools, filesystem management, kolaborasi subagent, dan pengawasan manusia, LangChain Deep Agents menyediakan dasar untuk membangun sistem AI yang lebih andal dan dapat menangani tugas multi-langkah di dunia nyata.

Kemampuan inti Deep Agents: Planning, tools, dan eksekusi

Deep Agents dapat menangani tugas yang memerlukan banyak langkah, keputusan, dan tindakan. Fitur inti mereka membantu merencanakan pekerjaan, menggunakan tools yang tepat, dan menyelesaikan setiap langkah secara efisien dengan input manual yang lebih sedikit. Mari kita bahas kemampuan-kemampuan ini secara lebih rinci:

Task planning

Task planning memungkinkan agent membuat dan mengelola daftar tugas yang terstruktur selama eksekusi. Daripada menangani tujuan yang kompleks sebagai satu instruksi tunggal, agent dapat membaginya menjadi langkah-langkah yang lebih kecil, melacak progres, dan memperbarui status tugas di sepanjang workflow.

Kapan menggunakan planning

Tugas multi-langkah yang panjang atau rumit
Tugas yang mendapat manfaat dari pelacakan progres yang eksplisit dan eksekusi yang terstruktur
UI yang menampilkan progres secara streaming dari state agent

Cara mengaktifkannya

Berikan TodoListMiddleware ke parameter middleware. Ini memberikan agent tool write_todos untuk mengelola daftar tugas yang terstruktur dengan pelacakan status (pending, in_progress, completed).

from deepagents import create_deep_agent
from deepagents.middleware import TodoListMiddleware

agent = create_deep_agent(
    model="your-model",
    middleware=[TodoListMiddleware()],
)

Tugas disimpan secara persisten dalam state agent, memberikan agent lapisan planning ringan untuk mengatur pekerjaan yang berjalan lama.

Virtual filesystem tools

Deep Agents menyediakan virtual filesystem yang dapat dikonfigurasi dan didukung oleh backend yang dapat dipasang-lepas: state in-memory, disk lokal, LangGraph store, composite routing, atau backend khusus dengan aturan izin.

Filesystem tools bawaan

Tool	Deskripsi
`ls`	Menampilkan daftar file dalam sebuah direktori beserta metadata-nya (ukuran, waktu modifikasi)
`read_file`	Membaca isi file dengan nomor baris; mendukung offset/limit untuk file besar; juga mengembalikan blok konten multimodal untuk gambar, video, audio, dan dokumen
`write_file`	Membuat file baru atau menimpa file yang sudah ada
`edit_file`	Melakukan penggantian string secara persis pada file (dengan mode penggantian global)
`delete`	Menghapus file atau direktori secara rekursif
`glob`	Mencari file yang cocok dengan pola tertentu (misalnya, `*/.py`)
`grep`	Mencari isi file dengan beberapa mode output
`execute`	Menjalankan perintah shell di lingkungan (hanya untuk backend sandbox)

Ekstensi multimodal yang didukung

Gambar: .png, .jpg, .jpeg, .gif, .webp, .heic, .heif
Video: .mp4, .mpeg, .mov, .avi, .flv, .mpg, .webm, .wmv, .3gpp
Audio: .wav, .mp3, .aiff, .aac, .ogg, .flac
Dokumen: .pdf, .ppt, .pptx

Izin sistem file

Harness ini mendukung aturan izin deklaratif yang mengontrol file dan direktori mana yang dapat dibaca atau ditulis oleh agent. Aturan dievaluasi dari atas ke bawah dengan prinsip kecocokan pertama yang menang.

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"},
    ],
)

Dengan ini Anda dapat membatasi agent hanya pada direktori tertentu, melindungi file sensitif, dan memberikan akses yang lebih terbatas ke subagent dibandingkan agent utamanya.

Membatasi akses tool

Anda dapat menampilkan hanya sebagian tool sistem file dengan meneruskan daftar izin (allowlist) tools ke FilesystemMiddleware. read_file harus selalu disertakan.

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"]),
    ],
)

Subagent (Delegasi)

Harness ini mencakup tool task bawaan yang memungkinkan agent utama membuat subagent sementara untuk tugas yang terisolasi, berjalan lama, bertahap banyak, atau paralel.

Karakteristik utama

Konteks baru: Setiap pemanggilan membuat instance agent baru dengan konteksnya sendiri
Eksekusi otonom: Subagent berjalan secara independen hingga selesai
Serah terima tunggal: Subagent mengembalikan satu laporan akhir ke agent utama
Strategi yang dapat dikonfigurasi: Gunakan subagent default general-purpose atau tentukan subagent khusus
Efisiensi konteks: Pekerjaan subtugas yang berat tetap terisolasi dan dipadatkan menjadi hasil yang ringkas

Menonaktifkan subagent

Untuk menjalankan agent tanpa tool task, nonaktifkan subagent yang ditambahkan otomatis melalui profil harness dan jangan teruskan subagent sinkron apa pun melalui subagents=. Jangan mencoba menghapus SubAgentMiddleware melalui excluded_middleware—hal ini secara sengaja ditolak.

Kemampuan pemanggilan tool

Deep Agents mendukung tiga kategori tool:

Fungsi khusus & tool LangChain

Teruskan fungsi khusus atau tool LangChain secara langsung melalui parameter tools=:

from deepagents import create_deep_agent def get_weather(city: str) -> str: """Get weather for a given city.""" return f"It's always sunny in {city}!" agent = create_deep_agent( model="your-model", tools=[get_weather], system_prompt="You are a helpful assistant", )

MCP (Model Context Protocol)

Deep Agents sepenuhnya mendukung MCP, sehingga Anda dapat terhubung ke database, API, sistem file, dan lainnya melalui antarmuka standar.

Eksekusi kode

Backend sandbox: Menyediakan tool execute untuk perintah shell dalam lingkungan yang terisolasi
Interpreter: Menambahkan tool eval yang menjalankan JavaScript dalam runtime QuickJS terbatas untuk lapisan programmable yang ringan

Ketika kemampuan-kemampuan ini digabungkan, model bahasa yang menjadi mesin agent menjadi bagian penting dari keseluruhan setup. Model yang mumpuni dapat membantu Deep Agent memahami instruksi, bernalar dalam menjalankan tugas, dan memanfaatkan tool yang tersedia dengan lebih baik. Kimi API dapat menyediakan lapisan model ini, sehingga menjadi langkah alami berikutnya untuk membangun workflow Deep Agent yang lebih mumpuni.

Menghubungkan Kimi API ke LangChain Deep Agents dalam 6 Langkah

Model yang mumpuni memberikan Deep Agent Anda pemahaman bahasa dan kemampuan bernalar yang diperlukan untuk menjalankan tugas secara efektif. Kimi API dapat menyediakan kemampuan ini sementara agent bekerja dengan tool, mengelola tugas, dan menangani instruksi yang kompleks. Dengan lapisan model sudah tersedia, setup dapat dilanjutkan secara alami ke penghubungan Kimi API dengan LangChain Agents. Berikut cara menghubungkan Kimi API ke LangChain Deep Agents:

Langkah 1: Dapatkan Kimi API Key Anda

Masuk ke Kimi API platform dan buat API key baru. Salin dan simpan key tersebut dengan aman, karena Anda akan perlu menambahkannya ke setup Deep Agents Anda. API key ini mengautentikasi permintaan Anda dan memungkinkan Deep Agents milik LangChain untuk mengakses model Kimi melalui API.

Dapatkan Kimi API Key Anda

Langkah 2: Atur variabel lingkungan

Atur Kimi API key Anda sebagai variabel lingkungan. Kimi API menggunakan endpoint Moonshot API, jadi konfigurasikan variabel berikut:

export MOONSHOT_API_KEY="your-api-key-here"

export MOONSHOT_API_KEY="your-api-key-here"

Base URL API adalah:

https://api.moonshot.ai/v1

https://api.moonshot.ai/v1

Langkah 3: Instal dependensi

Instal Deep Agents dan dependensi LangChain yang diperlukan:

pip install deepagents langchain-openai
``````bash
pip install deepagents langchain-openai

Karena Kimi API kompatibel dengan OpenAI, langchain-openai memungkinkan LangChain terhubung ke model Kimi melalui interface yang kompatibel dengan OpenAI.

Jika Anda ingin menambahkan kemampuan pencarian web ke Deep Agent Anda, Anda dapat secara opsional menginstal Tavily:

pip install tavily-python

pip install tavily-python

Setelah membuat Tavily API key dari platform Tavily, atur sebagai variabel lingkungan:

export TAVILY_API_KEY="your-tavily-api-key"

export TAVILY_API_KEY="your-tavily-api-key"

Anda hanya memerlukan Tavily jika berencana menambahkan tool pencarian web ke agent Anda.

Langkah 4: Konfigurasikan Deep Agent dengan Kimi API

Karena Kimi API kompatibel dengan format OpenAI API, Anda dapat menghubungkannya ke LangChain Deep Agents melalui init_chat_model.

Contoh berikut membuat Deep Agent dasar yang ditenagai oleh Kimi. Anda dapat secara opsional memperluasnya dengan tool seperti pencarian web.

Deep Agent dasar bertenaga Kimi

from os import environ from deepagents import create_deep_agent from langchain.chat_models import init_chat_model kimi_model = init_chat_model( "kimi-k3", api_key=environ["MOONSHOT_API_KEY"], base_url="https://api.moonshot.ai/v1", temperature=0.7, ) agent = create_deep_agent( model=kimi_model, system_prompt="""You are an expert assistant. Your job is to solve tasks with structured reasoning and provide clear outputs. """, )

Menambahkan kemampuan pencarian web (opsional)

Untuk mengaktifkan pencarian web, hubungkan tool pencarian seperti Tavily:

from tavily import TavilyClient tavily_client = TavilyClient( api_key=os.environ["TAVILY_API_KEY"] ) def internet_search(query: str, max_results: int = 5): """Run a web search""" return tavily_client.search( query=query, max_results=max_results ) agent = create_deep_agent( model=kimi_model, tools=[internet_search], system_prompt="""You are an expert researcher. Use the internet search tool when additional information is required. """, )

Dengan konfigurasi ini, Deep Agents dapat menggunakan Kimi sebagai model penalaran sekaligus mengakses kemampuan pencarian eksternal melalui Tavily.

Langkah 5: Jalankan Deep Agent bertenaga Kimi Anda

Setelah Deep Agent Anda dikonfigurasi dengan Kimi, jalankan agent untuk menguji cara ia menangani tugas dan pemanggilan tool.

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)

Langkah 6: Aktifkan LangSmith tracing (opsional)

LangSmith tracing membantu Anda memantau eksekusi agent, termasuk pemanggilan tool, langkah-langkah perantara, dan respons model.

Aktifkan tracing dengan variabel lingkungan berikut:

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"

Gunakan LangSmith saat Anda memerlukan visibilitas yang lebih dalam terhadap workflow agent, debugging, atau analisis performa.

Hubungkan Agent dengan Kimi API

Manfaat menggunakan Kimi API

Menghubungkan Kimi API dengan Deep Agents dapat membuat workflow yang kompleks menjadi lebih mumpuni dan lebih mudah dikelola. Kombinasi ini memberikan agent penalaran yang lebih kuat sambil tetap memungkinkan mereka menggunakan tool, menangani file, dan menyelesaikan banyak tugas. Mari kita lihat manfaat utama yang ditawarkan setup ini:

Meningkatkan penalaran dan eksekusi tugas agent

Model Kimi menyediakan pemahaman bahasa dan kemampuan bernalar yang kuat, membantu Deep Agents menganalisis instruksi yang kompleks, memecah tugas, dan menghasilkan respons yang lebih akurat. Ini memungkinkan agent menangani workflow multi-langkah dengan lebih efektif dan bimbingan manual yang lebih sedikit.

Membangun workflow AI yang lebih mumpuni

Dengan Kimi API terhubung ke Deep Agents, developer dapat menggabungkan kemampuan model Kimi dengan tool, sistem file, dan integrasi eksternal yang didukung LangChain. Ini memungkinkan agent menjalankan tugas seperti riset, pemrosesan dokumen, analisis kode, dan penanganan data dalam satu workflow yang terpadu.

Menyelesaikan tugas kompleks dengan agent otonom

Deep Agents bertenaga Kimi dapat mengelola tugas yang berlangsung lama dengan membuat rencana, menggunakan tool, dan mendelegasikan subtugas jika diperlukan. Ini membuat lebih mudah membangun aplikasi AI yang dapat menyelesaikan workflow yang kompleks sambil mengurangi operasi manual yang berulang.

Kesimpulan

Membangun agen AI yang andal dimulai dengan memilih fondasi yang tepat untuk workflow yang kompleks. LangChain Deep Agents menyediakan tools dan struktur yang diperlukan untuk membuat agent yang dapat merencanakan, menggunakan tools, mengelola context, dan menangani tugas multi-langkah dengan lebih sedikit upaya manual. Dengan model dan konfigurasi yang tepat, developer dapat mengubah ide agent yang canggih menjadi aplikasi praktis. Dengan mengintegrasikan Kimi API, Anda dapat lebih meningkatkan workflow Deep Agent Anda dengan kemampuan reasoning yang kuat dan long-context. Mulailah menjelajahi Kimi API dan temukan apa yang dapat Anda bangun dengan agen AI.

Dapatkan Kimi API Key Anda

FAQ

Apa perbedaan antara LangChain agent dan Deep Agents?

LangChain agent menyediakan dasar untuk membangun AI agent yang menggunakan tools. Deep Agents dibangun di atas dasar ini dengan fitur tambahan seperti planning, file management, subagent delegation, dan context handling. Kemampuan-kemampuan ini membuat Deep Agents lebih cocok untuk tugas yang lebih panjang dan lebih kompleks. Fitur ini juga mengurangi kebutuhan untuk membangun fungsi-fungsi tersebut secara terpisah.

Untuk apa LangChain Deep Agents dapat digunakan?

LangChain Deep Agents dapat menangani tugas yang memerlukan banyak langkah, penggunaan tools, dan pengambilan keputusan yang berkelanjutan. Deep Agents dapat mendukung use case seperti otomasi riset, analisis dokumen, pemahaman kode, pemrosesan data, dan eksekusi workflow yang kompleks. Untuk tugas yang melibatkan beberapa bidang keahlian, Deep Agents dapat mendelegasikan subtugas tertentu ke subagent khusus dan menggabungkan hasilnya. Dengan menghubungkan Deep Agents ke Kimi API, developer dapat membangun aplikasi AI yang memanfaatkan kemampuan penalaran Kimi dan context window yang besar untuk tugas seperti menganalisis dokumen yang panjang, memproses informasi yang kompleks, dan mengotomasi workflow yang padat pengetahuan.

Bisakah saya menambahkan memory ke LangChain Deep Agent?

Ya, LangChain Deep Agents dapat mendukung memory melalui integrasi persistence dan memory yang tersedia. Ini membantu agent menyimpan informasi yang relevan di berbagai interaksi dan tugas, bukannya mulai dari awal setiap saat. Memory dapat bermanfaat untuk workflow yang dipersonalisasi, tugas yang berjalan lama, dan informasi yang bersifat persisten.

Anda Mungkin Juga Menyukai