TL;DR DeepAgents・Pydantic AI・Claude Agent SDK・Codex・OpenCodeを、コードを書き直さず1つのPython SDKで切り替えられるようにするツールです。Claude Agent SDKと同じquery()インターフェースを採用しています。 タイトル: LiteAgents (BerriAI/liteagents) URL: ポイント 🔀 harnessパラメータを変えるだけでエージェント基盤を切り替え可能 🌐 LiteLLM連携でOpenAI・Anthropic・Gemini・Groqなど8種以上のモデルに対応 🛠️ 型付きPython関数を渡すだけで各ハーネスのツールスキーマに自動適合 💬 LiteAgentClientで複数回のquery()にまたがる永続的な会話履歴を管理 ⏱️ Temporal連携でクラッシュリカバリ・操作リプレイ・冪等なツール実行を実現 ⚙️ プロファイルはPython・YAML・JSONのいずれでも定義可能 📡 async/awaitとストリーミングにフル対応 ハーネスを乗り換えるたびにコードを書き直す時代が、これで終わるかもしれません。 #AIエージェント# #OSS#

マルチエージェントで、サブエージェントに毎回ファイル読み込みをやり直させていませんか？その無駄を解消する新機能がLangChainから登場しました。 タイトル: Organizing Context in a Multi-Agent Harness URL: 📝 概要 deepagentsフレームワークに「フォークサブエージェント」という機能が追加されました。サブエージェント起動時に、スーパーバイザーの会話履歴を引き継ぐか、まっさらな文脈から始めるかを選べます。 ❗ 解決する課題 サブエージェントを完全に独立させると、スーパーバイザーが既に済ませた調査や文脈収集をもう一度やり直す必要があり、トークンとレイテンシの無駄が発生していました。 ⚙️ 方法論 「Isolated Mode（隔離）」と「Fork Mode（継承）」の2種類を用意。フォークモードではスーパーバイザーの状態全体を引き継ぎつつ、プロンプトキャッシュでコスト効率を保ちます。 🔧 ユースケース ・ワーカーエージェント：修正作業の続きを任せる時はfork ・レビュアーエージェント：客観的な評価をさせたい時はisolated ・リサーチャーエージェントやメモリエージェントでも役割に応じて使い分け可能 📊 実験結果 具体的な数値ベンチマークはありませんが、重複した文脈収集やツール呼び出しを削減できると述べられています。 サブエージェントの役割設計における新しい重要な選択肢だと感じました。 #マルチエージェント# #LangChain#

APIのないサイトでも、エージェントが自分でブラウザを操作して仕事を終わらせる時代です。 タイトル: Browser Use in Managed Deep Agents URL: LangSmithが運用するリモートブラウザと、コンテキストを節約するブラウザツールがManaged Deep Agentsに加わりました。 注目ポイントは3つです。 🔐 パスワードをモデルに渡さないハンドオフ ログインページに当たると、エージェントがbrowser_handoffを呼びます。ユーザーはLangSmith Studioで同じブラウザにサインインしてHand backを押すだけ。パスワードはモデルにもトレースにも渡りません。scope="user"なら一度のログインが後のスレッドにも引き継がれます。 🧠 ページ全体を読み込まないツール設計 browser_snapshotがアクセシビリティツリーを読み、browser_runが多数の操作を1回の呼び出しにまとめて、必要な出力だけを返します。ページの大半をコンテキストに入れずに済み、速くなります。 🧪 localhostのアプリをそのままE2Eテスト ブラウザからのlocalhost:5173へのリクエストを、プライベートリンクでエージェントのサンドボックスに中継します。公開URLは不要で、通った手順はPlaywright風のテストとして保存できます。 WebVoyager 100タスクで合格率90%、総費用は$1.98でした。ただし1つのベンチマークの結果です。 #LangChain# #ブラウザエージェント#

エージェントの検索が失敗する理由は、検索の精度だけではありません。コンテキストの使い方に原因があります。 タイトル: Context Engineering Starts with Retrieval URL: 🔎 概要 LangChain が Deep Agents を例に、検索を3つの失敗（非効率・多すぎる・古い/無関係）に分けて整理した記事です。毎週数百社を調べる競合分析エージェントが題材です。 ⚠️ 解決する課題 ・検索のたびにトークンを消費し、コンテキストが埋まる ・大きな検索結果が作業スペースを圧迫する ・古い情報や的外れな情報が、以降の手順の土台になる 🛠️ 方法論と提案手法 ・まず glob と grep で絞り、意味で探すときだけベクトル検索を使う ・read_file は既定100行でページング。約2万トークン超の結果は自動でファイルに退避 ・検索結果はパスだけ返し、1ファイル担当のサブエージェントが要点と出典だけを返す ・日付フィルタで鮮度を保ち、取得テキストはインジェクションを前提に出典を検証する 📊 ユースケース 約4万行の市場データから売上を1つ引く場合、grep で数値を探して前後の数行だけを読みます。ニュース検索は4本の全文ではなく4つのパスだけがメインに返ります。 #コンテキストエンジニアリング# #AIエージェント#

長時間動くAIエージェントが抱える「コンテキストの腐敗」問題に、LangChainが5つの具体的な処方箋を示しました。 タイトル: Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context URL: 🧩 解決する課題 エージェントが指示・ツール結果・ファイルを蓄積し続けると、やがてコンテキストウィンドウの容量を超え、推論の精度が落ちてしまいます。情報過多で以前の知識が薄れる、人間の記憶にも似た現象です。 💡 5つの手法 オフロード（大きな結果をファイルシステムに退避）、サマライゼーション（古いメッセージを要約しファイルに保存）、スキル（必要な時だけ完全な指示を読み込む段階的開示）、サブエージェント（ノイズの多い作業を隔離されたコンテキストに任せる）、長期記憶（markdownファイルでセッションを越えて学習内容を保持）という5つの補完的な技術で、情報を「捨てずに」管理します。 🔧 テクニカルな特徴 これらはすべてエージェントループにフックされた「ミドルウェア」として実装されており、約2万トークンを超える結果や5万トークンを超えるユーザーメッセージを自動的にファイルへオフロードします。記憶はユーザーが管理するプレーンファイルとして存在するため、モデルプロバイダーを切り替えても学習内容を保てます。 📊 ユースケース 5社の競合分析レポートを作る「市場調査エージェント」の例では、蓄積される生データや検索結果、ドラフトの反復版が、最終レポート作成時の推論品質を落とさないようにコンテキストエンジニアリングで守られています。 #AIエージェント# #コンテキストエンジニアリング#

長時間動くAIエージェントが抱える「コンテキストの腐敗」問題に、LangChainが5つの具体的な処方箋を示しました。 タイトル: Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context URL: 🧩 解決する課題 エージェントが指示・ツール結果・ファイルを蓄積し続けると、やがてコンテキストウィンドウの容量を超え、推論の精度が落ちてしまいます。情報過多で以前の知識が薄れる、人間の記憶にも似た現象です。 💡 5つの手法 オフロード（大きな結果をファイルシステムに退避）、サマライゼーション（古いメッセージを要約しファイルに保存）、スキル（必要な時だけ完全な指示を読み込む段階的開示）、サブエージェント（ノイズの多い作業を隔離されたコンテキストに任せる）、長期記憶（markdownファイルでセッションを越えて学習内容を保持）という5つの補完的な技術で、情報を「捨てずに」管理します。 🔧 テクニカルな特徴 これらはすべてエージェントループにフックされた「ミドルウェア」として実装されており、約2万トークンを超える結果や5万トークンを超えるユーザーメッセージを自動的にファイルへオフロードします。記憶はユーザーが管理するプレーンファイルとして存在するため、モデルプロバイダーを切り替えても学習内容を保てます。 📊 ユースケース 5社の競合分析レポートを作る「市場調査エージェント」の例では、蓄積される生データや検索結果、ドラフトの反復版が、最終レポート作成時の推論品質を落とさないようにコンテキストエンジニアリングで守られています。 #AIエージェント# #コンテキストエンジニアリング#

👀 AIエージェントが「今ちゃんと動いてます」と伝えるだけで、信頼度が変わる。地味だけど効きそうな機能がLangChainから登場しました。 タイトル: Build great out-of-the-box user experiences with Managed Deep Agents URL: Managed Deep Agents v0.9で、Slackチャネル向けの新しいリアクションAPIが追加され、エージェントが本文で返信する前に絵文字で「受け取りました」と伝えられるようになりました。注目ポイントは3つです。 👀 シンプルな絵文字リアクション reactions引数に絵文字の文字列、またはコンテキストを受け取って絵文字を返す非同期関数を渡すだけです。「broken」という単語があれば🐛、それ以外は👀を返す、といった軽量なif分岐から始められます。 🧠 分類モデルJevによる動的選択 TypeSafeClassifier(model="typesafe/jev-latest")を使えば、メッセージを「バグ」「障害」「レビュー依頼」「待機中」など7カテゴリに自動分類し、最適な絵文字を動的に選べます。確信度が0.25未満の場合は無難な👀にフォールバックする設計も用意されています。 🎭 カスタム絵文字でスキューモーフィックUI Slackのカスタム絵文字ショートコードにも対応しており、ブランド独自のリアクションで「エージェントが今作業に取りかかった」ことを視覚的に演出できます。 ローディング状態のような一見地味なUXディテールこそ、ユーザーがエージェントを信頼し使い続けるかどうかを左右するという視点が印象的です。 #LangChain# #AIエージェント#

🧰 スキルは読んだのに対応するツールが見つからない。ツールは呼べるのに使い方を読んでいない。Deep Agentsのスキル機能が、この噛み合わなさを解消しました。 タイトル: Revamping Skills in Deep Agents URL: スキルは起動時に名前と説明だけを見せ、必要になったら本文を読む段階的開示で動いてきました。そこに、数千規模のレジストリを想定した3つの強化が入ります。 🔗 ツールをスキルに紐づける フロントマターのinclude_toolsにツールを列挙すると、エージェントがそのスキルを読むまでツールは隠れたままになります。ツールはエージェントではなくSkillsMiddlewareに渡す形に変わりました。ラベルからツールを解決する関数を渡せば、グループ単位の開示や実行時の権限ゲーティングもできます。 📌 スキルのピン留め ユーザーがスラッシュコマンドで明示指定した場合でも、従来はまずスキルの説明を読む必要がありました。pinned_skillsで渡すと、ミドルウェアが次のモデル呼び出し前に指示を会話へ入れてくれます。エージェントはモデル呼び出し2回目ではなく1回目から作業を始められ、紐づいたツールも一緒についてきます。 🔄 スレッド途中での再読み込み スキルは従来スレッド開始時に固定され、長時間動くエージェントは追加や編集を取りこぼしていました。skills_metadataをNoneにすると一覧が無効化され、ライブラリが再スキャンされます。クライアント側の/reloadに結びつける使い方が示されています。 一貫しているのは、3つとも「プロンプトキャッシュを壊さない挿入位置」を考えて設計されている点です。ツールは新しいシステムメッセージとして下に足し、ピン留めはタグ付きメッセージを一度だけ追加して既存を書き換えません。 #AIエージェント# #LangChain#

🧵 TL;DR: 長く走るAIエージェントはトークンコストが膨らみがち。Deep Agents はプロンプトキャッシュを"設定不要"で効かせ、実タスクで最大80%のコスト削減を実現します。 タイトル: Prompt Caching with Deep Agents URL: ポイント 💸 毎リクエストで会話履歴・システムプロンプト・ツール定義を再処理してコストが積み上がるのが課題 ⚡ プロンプトキャッシュは静的部分の計算結果を再利用し、新規の差分だけを処理 🧩 明示的なキャッシュ区切り（breakpoint）で、プロンプトが少し変わっても部分ヒットを維持 🤖 Deep Agents は3戦略を自動適用（明示breakpoint／プロバイダ側の暗黙キャッシュ／キャッシュ最大化の構造化） 📊 実測でClaude Haiku 4.5は-77%、GPT-5.4-miniは-80%、Gemini 3.5-Flashは-49% 🔭 LangSmith でキャッシュ読み取りトークンを可視化し、削減を計測・最適化 ⏳ 会話が長いほど効果増。短いタスクでは恩恵は小さい 設定ゼロでプロバイダ差を吸収してくれる点が、実運用で効いてきそうです。 #LangChain# #AIエージェント#

単一文書のQ&Aから、数千文書を横断する分析へ——10万社が使うBoxが、Deep Agentsで「AIネイティブ」に生まれ変わった事例です📦 タイトル: Building Box AI: How an Enterprise Content Platform Went AI-Native with Deep Agents URL: 📦 概要 コンテンツ管理プラットフォームBoxが、Deep Agentsを採用して高度な複数文書分析を実現した事例です。親の「Global Agent」がリクエストの意図を分類し、必要に応じて子エージェントをツールとして動的に生成する階層型システムを構築しました。 ❓ 解決する課題 当初のBox AIは単一文書のQ&Aや知識ハブが中心でした。 ・しかし顧客は、数千文書を横断した調査の統合や、契約書をリスクフレームに照らした分析を求めました ・こうした多段階・分野横断のタスクは、従来のRAGベース検索では扱いきれませんでした 💡 方法論と提案手法 ・親のGlobal Agentが意図を分類し、単純なものは自分で、複雑なものは子エージェントを動的に生成して処理します ・全エージェントが共通ツール（BM25・ベクトル検索・構造化Q&A・ファイル操作）にアクセスできます ・子エージェントは隔離コンテキストで動き、ミドルウェア経由で結果を報告します ・ミドルウェアが本番の要：引用生成、プロンプトキャッシング、17万トークン超で自動要約するコンテキスト管理 ・Deep Agents採用の理由は、モデル非依存（OpenAI/Anthropic/Google）と反復速度です 📊 実験結果 / 実績 ・新エージェントの投入が、数ヶ月から数週間に短縮 ・再帰的な親子システムは、当初の専門エージェント構成より4倍速く出荷 ・単純なクエリは子生成をバイパスし、不要なレイテンシを排除 #AIエージェント# #エンタープライズAI#