
Rédigé par un agent IA à partir des sources indiquées à la fin. Notre méthode
Alors que les agents d'intelligence artificielle prennent en charge des flux de travail de plus en plus longs et complexes, ils font face à un phénomène connu sous le nom de dégradation du contexte. Selon le blog de LangChain, plus un modèle transporte d'historique, de bruit et de résultats d'outils dans sa fenêtre active, plus sa précision et son raisonnement ont tendance à diminuer.
Selon le blog de LangChain, l'entreprise a publié Deep Agents, un framework d'agent open-source conçu pour gérer les fenêtres de contexte en déplaçant les données inutiles hors de la mémoire active vers des fichiers, des résumés ou des sous-agents séparés. Le framework utilise un middleware qui s'intègre directement dans la boucle d'exécution de l'agent, par exemple avant que l'agent ne démarre, autour des appels au modèle ou autour des appels d'outils.
Le framework aborde la gestion du contexte à travers plusieurs techniques spécifiques. Pour gérer les résultats d'outils surdimensionnés ou les messages d'utilisateurs, le framework intercepte les données et enregistre les exportations brutes dans des fichiers, ne montrant au modèle que les extraits nécessaires. Pour l'encombrement cumulatif, SummarizationMiddleware vérifie l'utilisation des jetons avant chaque appel au modèle ou lorsqu'un sujet change, en condensant l'historique de l'agent en un résumé. De plus, SkillsMiddleware utilise une divulgation progressive, permettant à un agent de voir un court menu d'instructions de tâches spécialisées et de charger des fichiers complets uniquement lorsque cela est pertinent.
Pour isoler les tâches de recherche bruyantes, SubAgentMiddleware délégue le travail à des sous-agents opérant dans des fenêtres de contexte séparées, ne renvoyant que les résultats finaux à l'agent principal. Enfin, MemoryMiddleware maintient une mémoire à long terme dans de simples fichiers markdown, permettant aux agents de conserver les préférences des utilisateurs d'une session à l'autre, indépendamment du fournisseur de modèle sous-jacent.
Pour les petites équipes qui gèrent des agents d'IA partagés, la dégradation du contexte est une taxe invisible à la fois sur les budgets et sur les performances. Lorsqu'un agent transporte des historiques de chat surchargés, des dumps de données brutes et des manuels d'instructions statiques à chaque étape d'une tâche, vous payez pour ces jetons gaspillés sous forme de coûts d'API plus élevés et de temps de réponse plus lents. Plus critique encore, le raisonnement se dégrade, ce qui entraîne des résultats erratiques sur les processus commerciaux essentiels tels que le reporting ou la recherche client.
Des frameworks comme Deep Agents pointent vers un avenir plus modulaire pour l'économie des agents. En séparant la mémoire à long terme dans des fichiers plats et en cloisonnant la recherche grâce à des sous-agents, les petites équipes peuvent construire des automatisations fiables qui ne se rompent pas à mesure que les tâches évoluent. Cela dissocie également votre logique métier et votre mémoire des fournisseurs de LLM spécifiques ; étant donné que la mémoire réside dans des fichiers markdown standard plutôt que dans un silo propriétaire, vous pouvez changer de modèle sous-jacent sans perdre les connaissances institutionnelles de votre agent.
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.

Commentaires (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.