🚀 Вышла моя статья на Хабре: "Deep Agents: open source-обвязка на LangGraph"

В статье постарался подробно и последовательно объяснить, как устроен фреймворк Deep Agents и как это соотносится с харнессами вообще.

Что внутри:

• опенсорсный стек LangChain, от langchain-core через LangGraph и LangChain к Deep Agents, с объяснением, что добавляет каждый слой

• пять компонентов обвязки (среда исполнения, управление контекстом, планирование, делегирование, контроль) с деталями реализации. Бэкенды файловой системы, выгрузка тяжёлых результатов тулов в файлы, память, навыки, субагенты, human-in-the-loop

• middleware как общий механизм, на котором в Deep Agents держится почти всё

• практика с агентом-аналитиком на GigaChat, у которого есть файлы и оболочка. Он сам разбирается в CSV, пишет скрипт, чинит его по ошибкам и оформляет отчёт. Плюс трассировка в опенсорсном Arize Phoenix

Все примеры работают на GigaChat, причём через наш профиль deepagents-gigachat — он подстраивает системный промпт, описания инструментов и middleware под особенности модели. Достаточно, чтобы пакет стоял в окружении. Про то, как мы его собирали и на каком бенчмарке меряем эффект, будет отдельная статья.

Материал пригодится, даже если конкретно Deep Agents вы использовать не планируете. Разбор устроен так, чтобы стало видно, из чего вообще собирают харнессы и какие ручки в них можно крутить под свои задачи.

Код примеров собран в ноутбуке. Читайте и пишите обратную связь 👇