Журнал «Отинофф»
Схема работы динамических саб-агентов Deep Agents: AI-помощник создаёт скрипт, который запускает множество подчинённых агенто

Динамические саб-агенты Deep Agents: как обработать 300 страниц без потери

ИИ-инструменты 7 июля 2026 г.

Представьте: ваша команда поручила AI-помощнику проанализировать 300 страниц договоров. Обычный помощник начинает, но на пятой странице «забывает» первые выводы, на пятидесятой — теряет нить, а к сотой просто перестаёт отвечать по делу. Знакомая проблема?

Источник: langch.in

Команда LangChain выпустила 29 июня 2026 года обновление для своего инструмента Deep Agents, которое решает именно эту задачу. Вместо того чтобы заставлять один AI-помощник делать всё сразу, система теперь сама пишет короткие программы, которые запускают десятки и сотни помощников поменьше — каждый со своей узкой задачей и собственной «памятью».

Для бизнеса это означает: можно поручить AI-системе обработку большого объёма данных и быть уверенным, что она действительно обработает всё, а не «забудет» половину. Но прежде чем внедрять, стоит разобраться, как это работает и какие есть подводные камни.

Что именно появилось и как это выглядит на деле

Раньше Deep Agents уже умел создавать вспомогательные программы — саб-агентов. Они позволяли главному помощнику делегировать отдельные задачи и не забивать свою «рабочую память» промежуточными результатами. Но был нюанс: каждый саб-агент вызывался по одному, вручную, через отдельную команду.

Новая возможность — динамические саб-агенты — работает иначе. Главный AI-помощник не вызывает каждого саб-агента по очереди. Вместо этого он пишет небольшой скрипт — программу на JavaScript — которая сама запускает нужное количество помощников, распределяет между ними задачи и собирает результаты.

Вот как это выглядит в коде. Вместо того чтобы 300 раз вызывать одного и того же помощника для каждой страницы документа, система пишет цикл:

const results = await Promise.all(pages.map(page => task({
  description: `Summarize page ${page.number}`,
  subagentType: "summarizer"
})));

Этот скрипт запускается в лёгкой защищённой среде — интерпретаторе QuickJS. Он не нагружает основную систему и выполняется быстро.

Почему это меняет правила игры для больших проектов

У подхода два ключевых преимущества, которые важны для любого бизнеса, работающего с большими объёмами данных.

Первое: гарантированный охват. Когда AI-помощник сам решает, сколько задач ему взять, он может «полениться» — обработать 75 из 500 элементов и решить, что этого достаточно. Цикл в коде так не работает. Если в программе написано «обработать все 500», будут обработаны все 500. Это не вопрос качества промпта — это структурная гарантия.

Второе: надёжная сложная логика. Представьте, что нужно не просто обработать страницы, а сначала отфильтровать, потом проанализировать, потом сравнить результаты. Заставить AI-помощника воспроизвести такую многошаговую логику через последовательность отдельных команд — ненадёжно. А написать программу с циклами, условиями и параллельными задачами — как раз то, в чём современные модели хороши.

Как это проверить на своей задаче за один день

Чтобы попробовать динамические саб-агенты, не нужно перестраивать всю IT-инфраструктуру. Вот минимальный набор шагов.

Шаг 1. Установите Deep Agents с поддержкой интерпретатора.

pip install -U "deepagents[quickjs]"

Шаг 2. Создайте агента с включённым интерпретатором кода.

from deepagents import create_deep_agent
from langchain_quickjs import CodeInterpreterMiddleware

agent = create_deep_agent(
    model="openai:gpt-5.5",
    middleware=[CodeInterpreterMiddleware()],
)

Шаг 3. Дайте задачу, используя слово «workflow».

result = await agent.ainvoke({
    "messages": [{
        "role": "user",
        "content": "Run a workflow that reviews every file in src/routes/ and summarizes the top risks."
    }]
})

Самый быстрый способ попробовать — установить терминальный инструмент dcode. Он уже включает всё необходимое:

curl -LsSf https://langch.in/dcode | bash

После установки просто запустите dcode и дайте команду с «workflow».

Какие риски стоит проверить до внедрения

Прежде чем переносить этот подход в рабочие процессы, задайте себе несколько вопросов.

Доступность модели. В примере используется модель OpenAI GPT-5.5. В России прямой доступ к ней может быть ограничен, нестабилен или дорог. Убедитесь, что у вас есть рабочий канал к модели, которую вы планируете использовать. Deep Agents поддерживает множество провайдеров — от Anthropic до DeepSeek и локальных моделей через Ollama.

Безопасность выполнения кода. AI-помощник пишет и выполняет JavaScript-код. Это потенциальный риск, если код может получить доступ к чувствительным данным или системным ресурсам. QuickJS — легковесный интерпретатор, но он не является полноценной песочницей. Для рабочих нагрузок потребуется дополнительная изоляция.

Надёжность паттернов. Описанный подход — цикл для обработки всех страниц — работает предсказуемо. Но более сложные схемы (например, турнирная выборка лучшего результата или многофазные конвейеры) требуют тестирования. Не все паттерны будут работать одинаково хорошо с разными моделями.

Инструмент для разработчиков. dcode — это терминальный инструмент. Если ваша команда привыкла к графическим интерфейсам или веб-приложениям, интеграция может потребовать дополнительных усилий.

Что делать на следующей неделе

Динамические саб-агенты — не серебряная пуля, а конкретный инструмент для конкретной проблемы: когда один AI-помощник не справляется с объёмом или сложностью задачи.

Вот простой чек-лист для принятия решения:

  1. Определите задачу, где текущий AI-помощник «забывает» контекст или не обрабатывает все элементы.
  2. Установите dcode и попробуйте дать задачу с «workflow» на небольшом наборе данных (10-20 элементов).
  3. Сравните результат с тем, что выдаёт обычный помощник без динамических саб-агентов.
  4. Проверьте стоимость: запуск сотни саб-агентов может оказаться дороже, чем один большой запрос.
  5. Оцените безопасность: если код будет работать с конфиденциальными данными, нужна дополнительная изоляция.

Если тест пройдёт успешно — вы получили инструмент, который превращает AI-помощника из «стажёра, который всё забывает» в «систему, которая гарантированно доделывает работу».

Источники

Темы журнала

Что почитать дальше

Теги

Андрей Отинов

Рекомендуем