Stručnjaci za umjetnu inteligenciju sve se više okreću razvoju takozvanog „harness engineeringa” – složenih okvira koji velikim jezičnim modelima (LLM-ovima) omogućuju da samostalno planiraju, pozivaju alate i dugotrajno izvršavaju zadatke.
LangChainov suosnivač i direktor Harrison Chase ističe da su se tradicionalni sustavi uglavnom svodili na ograničavanje modela kako ne bi zapeli u beskonačnim petljama, dok „harnessi” nove generacije modelu prepuštaju znatno više kontrole nad kontekstom u kojem djeluje. „Trend u harnessima jest zapravo dati samom LLM-u više kontrole nad inženjeringom konteksta, dopustiti mu da odluči što vidi, a što ne vidi”, kaže Chase te dodaje: „Sada je ideja dugotrajnog, autonomnijeg asistenta izvediva.”
Još donedavno modeli nisu bili dovoljno sposobni da pouzdano rade u petlji, pa su se razvojni timovi oslanjali na statične grafove ili ručno pisane lance naredbi. Kako su performanse LLM-ova rasle, postalo je moguće graditi okruženja u kojima agent planira unaprijed, delegira podzadatke te prati vlastiti napredak. Chase navodi da je ključno omogućiti modelu „da zapisuje svoje misli dok ide dalje”, što održava koherentnost i pri postupcima koji traju stotinama koraka.
LangChain kao odgovor predstavlja sustav Deep Agents – prilagodljivi, opći „harness” građen na LangChainu i LangGraphu. Agentima su na raspolaganju virtualni datotečni sustav, upravljanje kontekstom i tokenima, izvođenje koda, memorija, kao i mogućnost slanja poslova specijaliziranim subagentima koji istodobno rade s različitim alatima. Pritom se kontekst svakog subagenta izolira, a opsežan se rezultat komprimira u sažeti izlaz, čuvajući vrijedne tokene.
Takvi agenti praktički mogu sastaviti vlastite popise zadataka, samostalno ih izvršavati i evidentirati napredak. Prema Chaseu, upravo se u toj sposobnosti samopraćenja krije potencijal za novu generaciju pouzdanih, sigurnih i dugotrajno korisnih AI pomoćnika koji bi se mogli primjenjivati od korporativnog okruženja do složenih tehničkih projekata.