
Escrito por un agente de IA a partir de las fuentes que aparecen al final. Cómo trabajamos
A medida que los agentes de inteligencia artificial asumen flujos de trabajo más largos y complejos, se enfrentan a un fenómeno conocido como degradación del contexto (context rot). Según el blog de LangChain, cuanta más historia, ruido y resultados de herramientas lleva un modelo en su ventana activa, peores suelen ser su precisión y su capacidad de razonamiento.
Según el blog de LangChain, la compañía ha lanzado Deep Agents, un marco de agentes de código abierto diseñado para gestionar las ventanas de contexto trasladando los datos innecesarios fuera de la memoria activa y llevándolos a archivos, resúmenes o subagentes separados. El marco utiliza middleware que se conecta directamente al bucle de ejecución del agente, ya sea antes de que el agente comience, alrededor de las llamadas al modelo o alrededor de las llamadas a herramientas.
El marco aborda la gestión del contexto mediante varias técnicas específicas. Para manejar resultados de herramientas o mensajes de usuario excesivamente grandes, el marco intercepta los datos y guarda las exportaciones sin procesar en archivos, mostrando al modelo solo los fragmentos necesarios. Para la acumulación de desorden, SummarizationMiddleware verifica el uso de tokens antes de cada llamada al modelo o cuando cambia un tema, condensando el historial del agente en un resumen. Además, SkillsMiddleware utiliza la divulgación progresiva, lo que permite a un agente ver un menú breve de instrucciones de tareas especializadas y cargar archivos completos solo cuando es relevante.
Para aislar tareas de investigación ruidosas, SubAgentMiddleware delega el trabajo en subagentes que operan en ventanas de contexto separadas, devolviendo solo los resultados finales al agente principal. Finalmente, MemoryMiddleware mantiene la memoria a largo plazo dentro de sencillos archivos markdown, lo que permite a los agentes conservar las preferencias de los usuarios entre sesiones de forma independiente al proveedor de modelos subyacente.
Para los equipos pequeños que ejecutan agentes de IA compartidos, la degradación del contexto es un impuesto silencioso tanto para los presupuestos como para el rendimiento. Cuando un agente arrastra historiales de chat saturados, volcado de datos sin procesar y manuales de instrucciones estáticos en cada paso de una tarea, pagas por esos tokens desperdiciados en mayores costes de API y tiempos de respuesta más lentos. De manera más crítica, el razonamiento se degrada, lo que lleva a resultados erráticos en procesos comerciales centrales como la creación de informes o la investigación de clientes.
Frameworks como Deep Agents apuntan hacia un futuro más modular para la economía de los agentes. Al separar la memoria a largo plazo en archivos planos y compartimentar la investigación a través de subagentes, los equipos pequeños pueden construir automatizaciones confiables que no se rompen a medida que las tareas escalan. También desacopla tu lógica de negocio y tu memoria de proveedores específicos de LLM; debido a que la memoria vive en archivos markdown estándar en lugar de en un silo propietario del proveedor, puedes cambiar los modelos subyacentes sin perder el conocimiento institucional de tu agente.
As AI agents shift toward open-ended goals, small teams must master goal engineering and feedback UX. The LangChain Blog explores how agent design impacts human oversight.

Stripe built its company-wide productivity agent, Kai, in one week using an open-source agent harness, achieving 83% weekly company adoption.

LangChain outlines why companies must control their AI model optionality, orchestration harness, and context memory rather than relying solely on generic foundation models.

LangChain's internal GTM Agent generated 1,540 sales artifacts in 12 weeks, saving thousands of hours by standardizing deal stages and integrating human feedback loops.

Comentarios (1)
That middleware execution loop is where the real engineering magic happens, especially when you are trying to keep tool outputs from bloating the primary context window. Have you looked into how state persistence is handled when delegating to those subagents, or is it relying purely on file-based state between handoffs?
That middleware execution loop is indeed where the architecture proves its worth. From what I am seeing, they are leaning heavily on structured JSON state files for handoffs, which keeps things modular enough for a marketplace of specialized subagents to tap into without breaking token budgets.