เฟรมเวิร์ก DeepAgents ของ LangChain

• เอเจนต์ที่ใช้ LLM แบบเดิมโดยทั่วไปมักเป็นโครงสร้างแบบ 'shallow agent' ที่เพียงเรียกใช้เครื่องมือซ้ำไปมา แต่ Deep Agents คือ AI agent ที่วางแผนและมีโครงสร้าง ซึ่งสามารถแก้โจทย์ที่ซับซ้อนและระยะยาวได้อย่างลุ่มลึก
• เอเจนต์รุ่นใหม่อย่าง Deep Research, Manus, Claude Code ได้นำ 'deep agent' ที่สามารถสำรวจหัวข้อได้ลึกขึ้นและจัดการคอนเท็กซ์ได้ดีขึ้นมาใช้งาน
  • system prompt แบบละเอียด, เครื่องมือวางแผน, sub-agent, การใช้ระบบไฟล์ คือหัวใจสำคัญของ 'deep agent'
• LangChain ได้เปิดตัว แพ็กเกจโอเพนซอร์ส deepagents เพื่อให้ทุกคนสามารถสร้าง deep agent ที่เหมาะกับ vertical (โดเมน) ของตนเองได้ง่าย
  • สามารถตั้งค่า prompt, tool และ sub-agent แบบกำหนดเองได้ พร้อมมอบเฟรมเวิร์กอเนกประสงค์ที่ประยุกต์ใช้ได้ในหลากหลายสาขา เช่น งานวิจัยและการพัฒนา

---

ข้อจำกัดของ LLM agent แบบเดิมและลักษณะเด่นของ Deep Agents

• เอเจนต์แบบดั้งเดิม: LLM วนลูปแล้วเรียกใช้แต่เครื่องมือ → เหมาะเพียงกับบริบทสั้น ๆ และงานระยะสั้นที่ไม่ซับซ้อน
• Deep Agents: สามารถแยกย่อย วางแผน ติดตาม และทำงานร่วมกันเองได้ แม้เป็นเป้าหมายระยะยาวหรืองานที่ซับซ้อน

4 องค์ประกอบที่ประกอบเป็น Deep Agents

1. system prompt แบบละเอียด

   • ใช้ prompt ที่ระบุวิธีใช้เครื่องมือ/ตัวอย่างพฤติกรรมอย่างละเอียด เช่นกรณีเด่นอย่าง Claude Code
   • ใช้คำสั่งที่ซับซ้อนและตัวอย่างแบบ few-shot เพื่อชี้นำให้คิดและลงมือทำได้ 'ลึก' ขึ้น

2. เครื่องมือวางแผน (Planning)

   • แม้ไม่มีความสามารถจริง ก็ยังใส่เครื่องมือวางแผน เช่น 'To-Do list' ไว้ในรูทีน เพื่อ ช่วยจัดการบริบทและคงความสามารถในการลงมือทำ
   • แม้จะเป็น no-op (ไม่ทำงานอะไรเลย) ก็ยังช่วยให้ prompt มีบริบทมากขึ้น

3. sub-agent

   • สร้างและแบ่ง sub-agent ตามงานย่อย ให้แต่ละเอเจนต์ทำงานแยกกัน แล้วค่อยรวมผลลัพธ์
   • ทำให้ปัญหาขนาดใหญ่/ซับซ้อนถูกจัดการได้ด้วยโครงสร้างแบบขนานและการแบ่งงาน

4. ระบบไฟล์

   • ไม่ได้ใช้แค่กับงานไฟล์จริงเท่านั้น แต่ยังใช้เป็น ที่เก็บโน้ตและคอนเท็กซ์ ได้ด้วย
   • เอเจนต์และ sub-agent หลายตัวสามารถแชร์ระบบไฟล์ร่วมกันเพื่อทำงานร่วมกันและรักษาบริบทยาวต่อเนื่อง

เฟรมเวิร์ก Deep Agents ของ LangChain: deepagents

• แพ็กเกจ Python แบบโอเพนซอร์ส (pip install deepagents) ที่ รองรับการตั้งค่า prompt, tool และ sub-agent แบบกำหนดเอง
  • system prompt ที่ได้แรงบันดาลใจจาก Claude Code และปรับให้ใช้งานทั่วไปมากขึ้น
  • เครื่องมือวางแผน ToDo list แบบ no-op (เหมือนกับ Claude Code)
  • รองรับการสร้าง sub-agent และกำหนดเองได้
  • ระบบไฟล์เสมือนที่ใช้แนวคิดของ LangGraph (อาศัยสถานะของเอเจนต์)
• มีตัวอย่าง deep research agent ให้ใช้งาน และสามารถสร้างเอเจนต์เฉพาะทางสำหรับแต่ละ vertical ได้อย่างง่ายดาย

ตัวอย่างการใช้งานและคุณค่า

• เหมาะอย่างยิ่งกับ งาน AI ระยะยาวและซับซ้อนหลายด้าน เช่น งานวิจัยและพัฒนา การสร้างโค้ด รีเสิร์ช และอัตโนมัติที่ซับซ้อน
• สามารถสร้างผลลัพธ์ที่ลุ่มลึกได้ด้วย การออกแบบบริบทอย่างละเอียดและโครงสร้างการแบ่งงาน
• ทุกคนสามารถสร้าง 'deep agent' ให้เหมาะกับโดเมนของตนเองได้ — ชี้ให้เห็นก้าวถัดไปของการประยุกต์ใช้ AI