LangChain Vừa Phát Hành Deep Agents — Và Nó Thay Đổi Cách Bạn Xây Dựng Hệ Thống AI | bởi Darshandagaa | Thg 4, 2026 | Towards AI
Đăng ký
Tải ứng dụng
Đăng ký
· Theo dõi ấn phẩm
Chúng tôi xây dựng AI Doanh nghiệp. Chúng tôi dạy những gì chúng tôi học. Tham gia cùng hơn 100K người thực hành AI trên Towards AI Academy. Miễn phí: Hướng dẫn qua Email 6 ngày về Kỹ thuật Agentic AI: https://email-course.towardsai.net/
Theo dõi ấn phẩm
Nổi bật nhất
LangChain Vừa Phát Hành Deep Agents — Và Nó Thay Đổi Cách Bạn Xây Dựng Hệ Thống AI
Hầu hết mọi người vẫn đang chế tạo thủ công các vòng lặp tác tử trong LangGraph. Deep Agents là một giải pháp cấp cao hơn cho vấn đề đó — và nó có quan điểm rõ ràng hơn bạn nghĩ.
Theo dõi
Đọc 8 phút
·
Thg 4 3, 2026
747
10
Chia sẻ
Nhấn enter hoặc nhấp để xem hình ảnh ở kích thước đầy đủ
1.1 Deep agents thực chiến
Có một khuôn mẫu mà tôi thấy lặp đi lặp lại ở hầu hết các nhóm nghiêm túc với việc xây dựng AI Agent.
Đầu tiên, họ thử các chuỗi LangChain. Hoạt động ổn cho các đường ống đơn giản. Sau đó nhiệm vụ trở nên phức tạp — cần gọi công cụ, cần lặp, cần xử lý các đầu ra có độ dài thay đổi — và các chuỗi không còn đủ nữa. Vì vậy, họ chuyển sang LangGraph, và đột nhiên họ phải viết các lược đồ trạng thái, các cạnh điều kiện và logic biên dịch đồ thị trước khi họ thực sự bắt tay vào vấn đề thực sự.
Không phải LangGraph tệ. Nó cực kỳ mạnh mẽ. Nhưng nó là một runtime — một nguyên thủy cấp thấp — và hầu hết mọi người đang sử dụng nó như thể nó là một framework ứng dụng. LangChain đã nhận ra điều này, và deepagents là câu trả lời của họ.
Deep Agents Thực Sự Là Gì
Hãy để tôi cụ thể ở đây, bởi vì “deep agents” nghe có vẻ như nó có thể có nghĩa là bất cứ điều gì.
deepagents là một thư viện Python độc lập — có thể cài đặt bằng pip install deepagents — nằm trên LangChain và LangGraph. Tài liệu LangChain mô tả nó như một “agent harness”: nó cung cấp cùng một vòng lặp gọi công cụ cốt lõi như các framework khác, nhưng với một bộ các khả năng tích hợp sẵn để bạn không phải phát minh lại chúng.
Hàm trung tâm là create_deep_agent(). Ở dạng đơn giản nhất:
from deepagents import create_deep_agent
def get_weather(city: str) -> str:
"""Lấy thời tiết cho một thành phố nhất định."""
return f"Trời luôn nắng ở {city}!"
agent = create_deep_agent(
tools=[get_weather],
system_prompt="Bạn là một trợ lý hữu ích",
)
agent.invoke(
{"messages": [{"role": "user", "content": "Thời tiết ở Mumbai thế nào?"}]}
)Chỉ có vậy. Một hàm. Dưới nền tảng, thư viện xử lý đồ thị LangGraph, quản lý trạng thái, truyền phát và quản lý cửa sổ ngữ cảnh — không có cái nào trong số đó bạn phải đụng đến.
Nhưng câu chuyện thực sự là những gì được tích hợp sẵn theo mặc định.
Năm Khả Năng Làm Cho Điều Này Trở Nên Khác Biệt
1. Lên Kế Hoạch Tích Hợp Với write_todos
Mỗi deep agent tự động có quyền truy cập vào công cụ write_todos. Khi được giao một nhiệm vụ phức tạp, AI Agent sử dụng công cụ này để chia nhỏ công việc thành các bước rời rạc, theo dõi trạng thái của chúng (pending, in_progress, completed), và điều chỉnh kế hoạch khi nhiệm vụ tiến triển.
Điều này quan trọng vì nó không chỉ là một thủ thuật Prompt — danh sách việc cần làm được duy trì trong trạng thái agent. AI Agent có thể quay lại nó, cập nhật nó và tham khảo nó trong toàn bộ vòng đời của một phiên. Bạn không phải Prompt mô hình “suy nghĩ từng bước” theo cách thủ công. Cấu trúc đã được nướng sẵn vào harness.
2. Hệ Thống Tệp Ảo
Đây là điều làm tôi ngạc nhiên nhất. Deep agents đi kèm với một bộ các công cụ hệ thống tệp theo mặc định: ls, read_file, write_file, edit_file, glob, và grep.
Tại sao một AI Agent cần một hệ thống tệp? Quản lý ngữ cảnh.
Cửa sổ ngữ cảnh LLM là hữu hạn. Khi một AI Agent thực hiện các nhiệm vụ nghiên cứu dài, chạy mã hoặc xử lý các kết quả công cụ lớn, lịch sử hội thoại có thể phình to rất nhanh. Deep agents xử lý điều này bằng cách giảm tải nội dung lớn sang hệ thống tệp ảo thay vì giữ mọi thứ trong cửa sổ ngữ cảnh.
Khi kết quả của một công cụ vượt quá 20.000 token, thư viện sẽ tự động lưu nó vào backend đã cấu hình và thay thế nó trong ngữ cảnh bằng tham chiếu đường dẫn tệp và bản xem trước 10 dòng. Sau đó AI Agent có thể read_file hoặc grep tệp đó khi nó thực sự cần nội dung. Đây là nén ngữ cảnh thông minh — không phải phân chia (chunking), không phải cắt bớt (truncation), mà là giảm tải có mục đích với việc truy xuất theo yêu cầu.
Hệ thống tệp có thể được hỗ trợ bởi trạng thái trong bộ nhớ (mặc định), đĩa cục bộ, LangGraph Store để duy trì qua các luồng, hoặc các môi trường hộp cát (sandbox) như Modal hoặc Daytona. Backend có thể cắm ghép được.
3. Tạo Subagent
Harness bao gồm một công cụ task tích hợp cho phép AI Agent chính sinh ra (spawn) các subagent chuyên biệt cho các nhiệm vụ phụ biệt lập.
Đây là lý do tại sao điều này lại quan trọng hơn vẻ bề ngoài của nó. Trong một nhiệm vụ nghiên cứu dài, nếu một AI Agent duy nhất xử lý mọi thứ, ngữ cảnh của nó sẽ chứa đầy các bước trung gian, kết quả tìm kiếm và các đầu ra một phần. Subagents giải quyết điều này một cách thanh lịch: AI Agent chính ủy thác một nhiệm vụ phụ cụ thể cho một phiên bản agent mới với ngữ cảnh sạch của riêng nó. Subagent chạy tự chủ, hoàn thành công việc của mình và trả về một bản tóm tắt duy nhất cho AI Agent chính. Ngữ cảnh của AI Agent chính vẫn sạch sẽ.
Bạn có thể cấu hình các subagent tùy chỉnh với các công cụ và System Prompt riêng:
from deepagents import create_deep_agent, Subagent
code_reviewer = Subagent(
name="code-reviewer",
system_prompt="Bạn là một chuyên gia đánh giá mã. Phân tích mã để tìm lỗi, phong cách và hiệu suất.",
tools=[read_file_tool],
)
agent = create_deep_agent(
tools=[internet_search],
subagents=[code_reviewer],
system_prompt="Bạn là một trợ lý nghiên cứu và kỹ thuật.",
)Subagent mặc định — một subagent đa mục đích với các công cụ hệ thống tệp — luôn khả dụng mà không cần cấu hình thêm.
4. Tự Động Nén Ngữ Cảnh và Tóm Tắt
Đây là nơi thư viện thực sự chứng minh giá trị của mình trong các nhiệm vụ chạy dài.
Khi ngữ cảnh của AI Agent đạt đến 85% giới hạn cửa sổ ngữ cảnh của mô hình và không còn gì để giảm tải sang hệ thống tệp, harness sẽ kích hoạt tính năng tự động tóm tắt. Một LLM sẽ tạo ra một bản tóm tắt có cấu trúc về mọi thứ đã xảy ra — ý định của phiên, các hiện vật (artifacts) đã tạo, các bước tiếp theo — và bản tóm tắt đó sẽ thay thế toàn bộ lịch sử hội thoại trong bộ nhớ làm việc. Các tin nhắn gốc được bảo tồn vào hệ thống tệp dưới dạng bản ghi quy chuẩn, để AI Agent có thể khôi phục các chi tiết cụ thể nếu cần.
Kết quả là deep agents có thể chạy vô thời hạn trên các nhiệm vụ phức tạp mà không chạm tới giới hạn ngữ cảnh — điều mà bạn sẽ phải thiết kế thủ công nếu dùng LangGraph nguyên bản.
5. Bộ Nhớ Dài Hạn Qua Các Cuộc Hội Thoại
Theo mặc định, trạng thái agent nằm trong một luồng (thread) duy nhất. Nhưng khi bạn cấu hình một CompositeBackend với LangGraph Store, AI Agent có thể duy trì bộ nhớ qua các phiên và các luồng.
Các tệp được lưu trữ tại đường dẫn /memories/ (hoặc bất cứ nơi nào bạn cấu hình) sẽ tồn tại sau khi khởi động lại agent và có thể truy cập từ bất kỳ luồng hội thoại nào. Đây là cách bạn xây dựng một AI Agent ghi nhớ các tùy chọn của bạn, các quy ước cơ sở mã của bạn, hoặc tiến độ của một dự án nghiên cứu kéo dài nhiều ngày.
from deepagents import create_deep_agent
from deepagents.backends import CompositeBackend, StateBackend, StoreBackend
from langgraph.store.memory import InMemoryStore
store = InMemoryStore()
backend = CompositeBackend(
routes={"/memories/": StoreBackend(store=store)},
default=StateBackend(),
)
agent = create_deep_agent(
tools=[...],
backend=backend,
memory=["path/to/AGENTS.md"], # tệp ngữ cảnh liên tục
)Nó Phù Hợp Với Hệ Sinh Thái LangChain Như Thế Nào
Đây là nơi mọi người bị nhầm lẫn, vì vậy đáng để giải thích rõ ràng.
LangChain là framework cung cấp các khối xây dựng: các mô hình, công cụ, Prompt, các chuỗi. Nó là lớp nền tảng.
LangGraph là một runtime cho việc thực thi AI Agent bền bỉ, có trạng thái, dựa trên đồ thị. Nó xử lý tính bền vững, truyền phát, ngắt quãng và các luồng điều kiện phức tạp. Nó là động cơ.
Deep Agents là một harness được xây dựng trên cả hai. Nó không phải là một sự thay thế cho LangGraph — nó sử dụng LangGraph ở dưới nền tảng cho mọi thứ. Những gì nó cung cấp là một API cấp cao hơn với các giá trị mặc định có quan điểm, để bạn không phải tự xây dựng bộ lập kế hoạch, lớp hệ thống tệp, nén ngữ cảnh và cơ sở hạ tầng subagent từ đầu mỗi lần.
Nhận các bài viết của Darshandagaa trong hộp thư đến của bạn
Tham gia Medium miễn phí để nhận thông báo từ tác giả này.
Đăng ký
Đăng ký
- [x]
Nhớ tôi để đăng nhập nhanh hơn
Hãy nghĩ theo cách này: LangGraph cung cấp cho bạn một động cơ và một hộp số. Deep Agents cung cấp cho bạn một chiếc xe hơi.
Đối với các AI Agent đơn giản, create_agent của LangChain có lẽ là đủ. Đối với các nhiệm vụ phức tạp, chạy dài, nhiều bước với yêu cầu ngữ cảnh lớn, đó là nơi deepagents xứng đáng với chi phí trừu tượng hóa của nó.
Xây Dựng Một AI Agent Nghiên Cứu: Hướng Dẫn Bắt Đầu Nhanh Thực Sự
Dưới đây là một ví dụ thực tế — một AI Agent nghiên cứu có thể tìm kiếm trên web và tạo ra một báo cáo có cấu trúc:
import os
from typing import Literal
from tavily import TavilyClient
from deepagents import create_deep_agent
tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])
def internet_search(
query: str,
max_results: int = 5,
topic: Literal["general", "news", "finance"] = "general",
include_raw_content: bool = False,
):
\"\"\"Chạy tìm kiếm web và trả về kết quả.\"\"\"
return tavily_client.search(
query,
max_results=max_results,
include_raw_content=include_raw_content,
topic=topic,
)
research_instructions = \"\"\"Bạn là một nhà nghiên cứu chuyên gia.
Công việc của bạn là tiến hành nghiên cứu kỹ lưỡng và sau đó viết một báo cáo hoàn chỉnh.
Sử dụng internet_search để thu thập thông tin.
Viết những phát hiện của bạn vào các tệp trong quá trình thực hiện để tránh mất ngữ cảnh.
Sử dụng write_todos để lên kế hoạch cho các bước nghiên cứu của bạn trước khi bắt đầu.
\"\"\"
agent = create_deep_agent(
model="anthropic:claude-sonnet-4-6", # mô hình mặc định
tools=[internet_search],
system_prompt=research_instructions,
)
result = agent.invoke({
"messages": [{
"role": "user",
"content": "Nghiên cứu trạng thái hiện tại của các framework agentic AI vào năm 2025 và viết một báo cáo có cấu trúc."
}]
})
print(result["messages"][-1].content)Điều gì xảy ra khi bạn chạy đoạn mã này:
- AI Agent gọi
write_todosđể lên kế hoạch cho các bước nghiên cứu của mình - Nó chạy các tìm kiếm, tự động giảm tải các kết quả lớn sang hệ thống tệp ảo
- Nếu nhiệm vụ phức tạp, nó sinh ra một subagent để xử lý một phần cụ thể
- Nó đọc lại các tệp có liên quan khi cần thiết và tổng hợp một báo cáo cuối cùng
- Xuyên suốt quá trình, harness quản lý ngữ cảnh để mô hình không bao giờ chạm tới giới hạn cửa sổ của nó
Bạn không viết phần nào của cơ sở hạ tầng đó. Nó đi kèm với harness.
Deep Agents CLI
Một điều nữa đáng biết: deepagents cũng xuất xưởng một tác tử dòng lệnh được xây dựng trên cùng một SDK.
pip install deepagents
deepagents # khởi chạy CLI agent tương tácĐó là một AI Agent lập trình bạn có thể chạy trong terminal của mình — hãy nghĩ đến Claude Code hoặc Aider, nhưng được xây dựng trên Deep Agents SDK. Nó hỗ trợ chế độ tương tác, chế độ đường ống không tương tác (cờ -n cho kịch bản), các kỹ năng tùy chỉnh và bộ nhớ liên tục. Bạn có thể dạy cho nó các quy ước dự án của bạn và nó sẽ ghi nhớ chúng qua các phiên.
Điều này có nghĩa là cùng một SDK cung cấp sức mạnh cho AI Agent nghiên cứu sản xuất của bạn cũng cung cấp một công cụ dành cho nhà phát triển có thể sử dụng ngay khi mở hộp.
Khi Nào Bạn Nên (Và Không Nên) Sử Dụng Nó
deepagents có ý nghĩa khi:
- Nhiệm vụ của bạn yêu cầu lập kế hoạch và nhiều bước để hoàn thành
- Kết quả công cụ lớn và cần được quản lý trong một phiên dài
- Bạn muốn ủy thác cho subagent mà không phải tự xây dựng cơ sở hạ tầng
- Bạn cần bộ nhớ liên tục qua các luồng hội thoại
- Bạn đang xây dựng một AI Agent lập trình hoặc hệ thống nghiên cứu tự chủ
Hãy gắn bó với create_agent của LangChain hoặc LangGraph nguyên bản khi:
- AI Agent của bạn đơn giản: một hoặc hai lệnh gọi công cụ, phản hồi ngắn
- Bạn cần quyền kiểm soát rất chi tiết đối với cấu trúc liên kết đồ thị
- Bạn đã đi sâu vào một quy trình làm việc LangGraph tùy chỉnh và không muốn các giá trị mặc định có quan điểm
Thư viện rất trung thực về điều này trong tài liệu của riêng mình: đối với các AI Agent đơn giản hơn, hãy sử dụng các công cụ đơn giản hơn.
Tại Sao Điều Này Quan Trọng Hơn Một Bản Phát Hành Framework Khác
Có điều đáng chú ý về thời điểm ở đây.
Agentic AI đang ở một điểm uốn. Các khuôn mẫu cơ bản — gọi công cụ, các vòng lặp ReAct, RAG đơn giản — đã được hiểu rõ. Điều mà ngành công nghiệp đang giải quyết bây giờ là làm thế nào để làm cho các AI Agent đáng tin cậy trên các nhiệm vụ dài hạn: các nhiệm vụ đòi hỏi lập kế hoạch, ngữ cảnh lớn, tính bền vững và sự ủy thác.
Mỗi nhóm xây dựng các AI Agent sản xuất đều phải tự thiết kế các giải pháp cho chính những vấn đề này từ đầu. Các chiến lược quản lý ngữ cảnh, các khuôn mẫu subagent, các kiến trúc bộ nhớ — những điều này liên tục được phát minh lại dưới các hình thức hơi khác nhau trên khắp các tổ chức.
deepagents là vụ cá cược của LangChain rằng những giải pháp này đủ phổ biến để được chuẩn hóa. Khái niệm agent harness — các giá trị mặc định có quan điểm, cơ sở hạ tầng tích hợp, backend có thể cắm ghép — là một nỗ lực để chuyển cuộc trò chuyện từ “làm thế nào để chúng ta xây dựng hệ thống ống nước?” sang “chúng ta thực sự muốn AI Agent làm gì?”
Việc nó có thành công hay không phụ thuộc vào việc các giá trị mặc định có giữ vững trong môi trường sản xuất hay không. Nhưng với tư cách là một hướng thiết kế, đó là một quyết định đúng đắn.
Bắt Đầu
pip install deepagents tavily-pythonThiết lập các khóa API của bạn:
export ANTHROPIC_API_KEY="***"
export TAVILY_API_KEY="***"
export LANGSMITH_TRACING=true # tùy chọn, để gỡ lỗi
export LANGSMITH_API_KEY="***"Tài liệu đầy đủ — bao gồm backend, subagent, sandbox, con người trong vòng lặp (human-in-the-loop) và CLI — có tại docs.langchain.com/oss/python/deepagents.
Nếu bạn đang xây dựng bất kỳ thứ gì nghiêm túc với AI Agent ngay bây giờ, bạn nên dành một buổi chiều để hiểu deepagents phù hợp với ngăn xếp của bạn ở đâu — ngay cả khi bạn không sử dụng nó ngay lập tức.
Đang xây dựng thứ gì đó với Deep Agents? Đặc biệt quan tâm đến việc lắng nghe từ những người sử dụng nó để tự động hóa nghiên cứu, phân tích tài chính hoặc các quy trình lập trình. Hãy để lại bình luận.
747
747
10
Theo dõi
·Lần xuất bản cuối cách đây 11 giờ
Chúng tôi xây dựng AI Doanh nghiệp. Chúng tôi dạy những gì chúng tôi học. Tham gia cùng hơn 100K người thực hành AI trên Towards AI Academy. Miễn phí: Hướng dẫn qua Email 6 ngày về Kỹ thuật Agentic AI: https://email-course.towardsai.net/
Theo dõi
Theo dõi
Tôi thích xây dựng, phá vỡ và xây dựng lại mọi thứ!
Theo dõi
Phản hồi (10)
Viết phản hồi
Hủy
Phản hồi
Deep agents đã ra mắt được vài tháng rồi đúng không?
41
1 phản hồi
Trả lời
Đây là một sự thay đổi lớn. Chuyển từ các vòng lặp agent thủ công sang các sự trừu tượng cấp cao hơn như Deep Agents thực sự có thể tăng tốc độ phát triển và làm cho hệ thống có thể mở rộng hơn. Tò mò muốn xem các nhà phát triển vẫn giữ được bao nhiêu quyền kiểm soát với cách tiếp cận này.
8
Trả lời
Điều này có cảm giác như một sự thay đổi trừu tượng quan trọng, chuyển từ “xây dựng logic agent” sang “vận hành hệ thống agent.”
Điểm nổi bật không chỉ là sự tiện lợi, mà còn là sự chuẩn hóa các khuôn mẫu mà hầu hết các nhóm đã và đang phát minh lại: các vòng lặp lập kế hoạch…thêm
4
Trả lời
Xem tất cả phản hồi
Thêm từ Darshandagaa và Towards AI
Trong
bởi
40 Câu Hỏi Phỏng Vấn Generative AI Thực Sự Được Hỏi Trong Năm 2026 (Kèm Theo Câu Trả Lời) Hướng dẫn của người thực hành để vượt qua các vị trí kỹ sư GenAI/LLM cấp cao — từ các đường ống RAG đến điều phối multi-agent
Thg 4 5
Trong
bởi
Nếu Bạn Hiểu 5 Thuật Ngữ AI Này, Bạn Đã Dẫn Trước 90% Mọi Người Nắm vững các ý tưởng cốt lõi đằng sau AI mà không bị lạc lối
Thg 3 29
Trong
bởi
10 Plugin Claude Bạn Thực Sự Cần Trong Năm 2026 (Và Chúng Là Gì) Cách chuyển đổi Claude từ một chatbot thành một AI có thể lập trình, duyệt web, truy cập dữ liệu của bạn và tự động hóa toàn bộ quy trình làm việc của bạn
Thg 3 18
Trong
bởi
Chi Phí Tiềm Ẩn Trong Mọi AI Agent Bạn Đã Từng Xây Dựng Và cách Tìm Kiếm Công Cụ của GPT-5.4 là giải pháp thực sự đầu tiên cho nó.
Thg 3 20
Đề xuất từ Medium
Trong
bởi
Andrej Karpathy Đã Ngừng Sử Dụng AI Để Lập Trình. Anh Ấy Đang Sử Dụng Nó Để Xây Dựng Bộ Não Thứ Hai Thay Vào Đó Quy trình làm việc mới của anh ấy biến nghiên cứu thô thành một wiki tự duy trì. Không cơ sở dữ liệu vector, không đường ống RAG, chỉ các tệp markdown và một LLM…
Thg 4 5
Trong
bởi
Nếu Bạn Hiểu 5 Thuật Ngữ AI Này, Bạn Đã Dẫn Trước 90% Mọi Người Nắm vững các ý tưởng cốt lõi đằng sau AI mà không bị lạc lối
Thg 3 29
Tôi đã sử dụng LLM Wiki của Karpathy để xây dựng một cơ sở kiến thức tự duy trì bằng AI Đây là một tình huống mà hầu hết những người làm việc trí óc đều biết quá rõ.
Thg 4 7
Tôi Đã Thử Gemma 4 Trên Claude Code (Và Tìm Thấy Quái Vật Lập Trình Google MIỄN PHÍ Mới) Hãy tưởng tượng chạy Claude Code với mô hình lập trình Gemma 4 của Google trên một GPU Nvidia — liệu có gì tốt hơn không?
6 ngày trước
Vibe Coding đã KẾT THÚC. Đây Là Những Gì Tiếp Theo.
Thg 3 24
Trong
bởi
CEO Palantir Nói Chỉ Có Hai Kiểu Người Sẽ Sống Sót Qua AI (Và Bằng Cấp Tinh Hoa Không Phải Là Một Trong Số Đó)! Alex Karp nói với Gen Z rằng “cơ bản có hai cách để biết bạn có tương lai.” Đào tạo nghề hoặc người có thần kinh đa dạng. Bằng cấp triết học…
Thg 3 27