Глубокие агенты от LangChain: удобство контекст-инжиниринга и его скрытые издержки

Современные AI-агенты всё чаще строятся на цикле ReAct (рассуждение + действие): модель вызывает инструменты, смотрит результаты и снова думает, пока не выдаст ответ. На коротких задачах этого хватает, но при длинных сессиях агент сам накапливает историю, результаты вызовов, планы и файлы — контекст растёт, и управление им превращается в отдельную дисциплину, которую назвали контекст-инжинирингом (context engineering).

Deep Agents — это готовая реализация такого подхода в экосистеме LangChain/LangGraph. Не новая модель, а заранее собранная рабочая среда вокруг обычного агента, доступная через API (create_deep_agent поверх create_agent). Она решает проблему накопления и структурирования контекста, но за это приходится платить: рост расхода токенов, увеличение времени ответа и более сложная отладка.

Статья на Habr подробно разбирает механизмы Deep Agents — какие пайплайны, графы и интеграции используются, какую цену (в прямом и переносном смысле) приходится платить за удобство, и в каких сценариях этот «тяжёлый рюкзак» действительно стоит брать вместо самописного решения.