Módulo 2 · Parte C de 3

Agente Profundo

O Módulo 2 trata o escopo do workflow como uma superfície de controle. A Parte A introduziu um harness de execução que decide o que cruza cada fronteira, o que pode ramificar e como os resultados percorrem um pipeline. A Parte B aplicou esse controle a um pipeline de recuperação definido pelo desenvolvedor e ao seu pacote de contexto limitado.

Um agente de pesquisa profunda aplica a mesma ideia a uma pergunta cujas evidências excederiam uma única conversa. Em tempo de execução, um planejador escolhe ramos independentes e fornece a cada trabalhador apenas a pergunta original, a tarefa atribuída e as ferramentas necessárias. Os históricos dos demais ramos ficam de fora. Uma etapa final sintetiza as evidências registradas pelos trabalhadores. Primeiro execute o padrão; depois inspecione sua implementação.

Como a fronteira do workflow muda

Em todo o Módulo 2, o workflow externo controla o escopo e o fluxo de dados. A recuperação e a pesquisa profunda posicionam essa fronteira de maneiras diferentes.

Workflow de indexação. O desenvolvedor define o pipeline, e a geração recebe o pacote de recuperação limitado da Parte B.
Workflow de pesquisa profunda. O planejador cria ramos em tempo de execução. Os trabalhadores recebem contexto específico da tarefa e armazenam evidências para síntese.

Qualquer workflow pode colocar um ciclo ReAct dentro de uma etapa que deve se adaptar a resultados intermediários.

Por que um contexto compartilhado falha

Um único ciclo ReAct mantém todas as instruções e observações em um só histórico. Assim, as evidências anteriores competem com cada novo resultado de ferramenta. Com o tempo, o próprio histórico se torna parte do problema.

Um coordenador atribui trabalho focado. Trabalhadores independentes retornam evidências por meio de armazenamento compartilhado e uma etapa final combina-as.

Transbordamento: evidências e saídas de ferramentas excedem a janela de contexto.
Degradação do contexto: evidências relevantes estão presentes, mas recebem peso insuficiente (Liu et al.).
Interferência: o raciocínio de um ramo distrai o próximo ramo.

Como a pesquisa avança pelo workflow

1 · Planejar

O orquestrador transforma a pergunta em tarefas independentes, tornando o escopo pretendido inspecionável antes do início do trabalho.

2 · Investigar

Cada subagente recebe uma tarefa em um contexto novo e isolado, sem os históricos dos outros ramos.

3 · Preservar

Os trabalhadores escrevem as descobertas em um sistema de arquivos virtual compartilhado, onde as evidências sobrevivem após o término de seus contextos.

4 · Sintetizar

O orquestrador lê as evidências salvas e produz uma resposta cujas afirmações permanecem rastreáveis até seus ramos.

Contexto novo não é um sandbox. O isolamento de contexto separa os ramos de raciocínio, enquanto o sandbox limita o acesso ao sistema operacional. O artefato no navegador abaixo não tem shell; o exemplo manual posterior usa um sistema de arquivos em memória para tornar o estado compartilhado visível.

Tente · planeje, investigue e sintetize

Faça uma pergunta de pesquisa e observe o agente criar ramos que são executados em paralelo em materiais externos selecionados e neste curso antes de escrever uma resposta com citações. Cada trabalhador transmite o resultado para seu próprio painel focalizável, para que você possa inspecionar operações ativas sem aguardar toda a execução paralela.

Inspecione a implementação

As próximas três células isolam uma camada de implementação de cada vez, começando com o adaptador de modelo e terminando com o agente de pesquisa completo. Cada célula é executada de forma independente.

As células de implementação usam o pacote de navegador incluído. Elas importam o pacote exato da mesma origem registrado no inventário de dependências do navegador. A CI bloqueia a publicação quando o pacote, o lock, as licenças ou as referências no código divergem.

Aplicado · ConstruçãoConstruir o planejador, os workers e o estado compartilhado?

1 · Conectar o modelo

ChatOpenAI encapsula qualquer endpoint compatível com a OpenAI. A célula lê a URL ativa e a credencial de helpers.getConfig(), então o resto do grafo não depende de onde o modelo é executado.

.invoke() retorna uma mensagem completa; .stream() produz mensagens parciais. Ambos atendem à interface Runnable do LangChain.

2 · Transforme o ciclo em um grafo

createReactAgent({llm, tools}) transforma o ciclo ReAct do Módulo 1 em nós de modelo e ferramenta explícitos. O grafo compilado pode ser executado sozinho ou se tornar um nó dentro de um workflow maior.

Use um grafo quando um ciclo simples não pode mais expressar o fluxo de controle necessário.

3 · Monte o agente de pesquisa

Essa célula expõe cada estágio como seu próprio nó, com arquivos compartilhados visíveis entre a delegação e a síntese. O pacote deepagents encapsula um padrão semelhante para aplicações Node.js.

Verifique sua compreensão

O que entra no contexto de cada sub-agente e o que fica de fora?
Por que preservar os resultados em vez de passar uma transcrição em crescimento?
Como o isolamento de contexto e o sandbox do sistema operacional impedem falhas diferentes?

Profundo · FontesRastrear as fontes da implementação de pesquisa profunda?

Referências

Liu et al., Lost in the Middle. Evidências de falhas relacionadas à posição no contexto.
LangChain, Deep Agents e a implementação em JavaScript.
Habilidade de pesquisa profunda da NVIDIA AI-Q e seu modelo.
Kosmos. Um exemplo de pesquisa científica multi-agente.

Lista abrangente em Ir Além · Referências.

← Módulo 2b: O Agente de Índice Módulo 3a: Iniciar →