Le framework DeepAgents de LangChain

• Les agents LLM traditionnels reposent généralement sur une architecture d’« agents superficiels » (shallow agents) qui se contentent d’appeler des outils de façon répétée, tandis que les Deep Agents sont des agents IA planifiés et structurés capables de résoudre en profondeur des tâches complexes et de long terme
• Les agents récents comme Deep Research, Manus, Claude Code implémentent des « agents profonds » capables d’explorer les sujets plus en profondeur et de mieux gérer le contexte
  • Prompts système détaillés, outils de planification, sous-agents et utilisation du système de fichiers constituent le cœur des « agents profonds »
• LangChain a publié le package open source deepagents afin que chacun puisse facilement créer son propre deep agent adapté à son vertical (domaine)
  • Il permet de configurer des prompts, outils et sous-agents personnalisés, et fournit un framework générique applicable à de nombreux domaines comme la recherche ou le développement

---

Les limites des agents LLM traditionnels et les caractéristiques des Deep Agents

• Agent traditionnel : le LLM tourne en boucle et n’appelle que des outils → adapté seulement à un contexte court et à des tâches simples et de courte durée
• Deep Agents : capables de décomposer, planifier, suivre et coordonner eux-mêmes des objectifs de long terme et des tâches complexes

Les 4 éléments qui composent les Deep Agents

1. Prompt système détaillé

   • Comme dans des cas représentatifs tels que Claude Code, utilisation de prompts décrivant en détail les méthodes d’usage des outils et des exemples de comportement
   • Des instructions complexes et des exemples few-shot favorisent une réflexion et une exécution plus « profondes »

2. Outil de planification

   • Même sans fonctionnalité réelle, intégrer à la routine un outil de planification comme une liste de tâches permet de maintenir la gestion du contexte et la capacité d’exécution
   • Même un no-op (qui n’effectue aucune action) peut fournir du contexte via le prompt

3. Sous-agents (Sub Agents)

   • Création et découpage en sous-agents selon les sous-tâches, chaque agent travaillant séparément avant l’intégration des résultats
   • Les problèmes vastes ou complexes peuvent ainsi être traités via une structure parallèle et distribuée

4. Système de fichiers

   • Utilisé non seulement pour les opérations sur fichiers, mais aussi comme espace de stockage des notes et du contexte
   • Plusieurs agents et sous-agents partagent le système de fichiers pour collaborer et conserver le contexte sur la durée

Le framework Deep Agents de LangChain : deepagents

• Package Python open source (pip install deepagents), avec configuration possible de prompts, outils et sous-agents personnalisés
  • Prompt système inspiré de Claude Code, adapté pour être plus généraliste
  • Outil de planification sous forme de liste ToDo no-op (comme dans Claude Code)
  • Création de sous-agents et personnalisation possibles
  • Système de fichiers virtuel fondé sur les concepts de LangGraph (en utilisant l’état de l’agent)
• Un exemple d’agent de deep research est fourni, ce qui permet de créer facilement des agents spécialisés par vertical

Exemples d’usage et valeur apportée

• Optimisé pour les travaux IA longs et complexes comme la recherche, le développement, la génération de code, la recherche d’information ou l’automatisation complexe
• Une conception détaillée du contexte et une structure de répartition du travail permettent de produire des résultats plus approfondis
• Chacun peut construire un « deep agent » adapté à son domaine — une nouvelle étape dans l’usage de l’IA