LangChain: Dynamic Subagents in Deep Agents — Agent schreibt Code zum parallelen Dispatch hunderter Unteragenten

LangChain hat innerhalb seines Deep-Agents-Frameworks Dynamic Subagents veröffentlicht — eine Orchestrierungsarchitektur, die die Art und Weise, wie KI-Agenten komplexe Aufgaben koordinieren, grundlegend verändert. Statt sequenzieller Tool-Aufrufe schreibt das Modell jetzt eine JavaScript-Skripte, die QuickJS ausführt — ein leichter, deterministischer Interpreter, direkt in die Pipeline integriert. Diese Skripte dispatcht hunderte Unteragenten parallel, ohne auf eine Reihenfolge zu warten.

Klassischer Agent vs. dynamische Orchestrierung

Klassische Agenten durchlaufen 300+ individuelle Tool-Aufrufe und neigen zum willkürlichen Abschneiden des Umfangs: Sie schätzen 75 von 500 Elementen und hören auf. Dynamic Subagents eliminieren dieses Problem. LangChain garantiert eine deterministische Abdeckung des gesamten Datensatzes, weil das Deep-Agents-Framework alle Unteragenten parallel ausführt — nicht sequenziell. Das Schreiben von Code für den Dispatch unterscheidet sich grundlegend vom klassischen Tool-Calling: Der Agent erhält Kontrollstrukturen (Schleifen, Verzweigungen, Parallelismus), die Tool-Aufrufe schlicht nicht bieten können.

Die task()-Funktion und QuickJS-Runtime

Das Herzstück des Systems ist die globale Funktion task() innerhalb des QuickJS-Interpreters. Sie empfängt drei Parameter: description (Aufgabenbeschreibung), subagentType (Spezialistentyp für Routing) und optionales responseSchema (typisierte Ausgabe, fertig zum Filtern). Die Skripte kann task() hunderte Male in einem einzigen Durchlauf aufrufen — alle Aufrufe laufen parallel. Installation: pip install -U "deepagents[quickjs]", zusammen mit CodeInterpreterMiddleware, das die QuickJS-Runtime in der Pipeline aktiviert.

Sechs Orchestrierungsmuster für jeden Anwendungsfall

Deep Agents definiert sechs Orchestrierungsmuster: classify-and-act (klassifizieren und an Spezialisten weiterleiten), fanout-and-synthesize (parallele Arbeit, zusammengeführte Ergebnisse), adversarial verification (zwei unabhängige Verifikatoren), generate-and-filter (mehrere Lösungen und Bewertung), tournament (Ausscheidungsrunden) und loop-until-done (wiederholen, bis keine neuen Erkenntnisse vorliegen).

Warum ist Code schreiben besser als sequenzielle Aufrufe?

Das konzeptionelle Fundament sind Recursive Language Models — Modelle, die Code schreiben, der weitere Modelle dispatcht. Dynamic Subagents im LangChain-Deep-Agents-Framework verwandeln diese Idee in ein Produktionswerkzeug: Komplexe Workflows, die bisher hunderte sequenzielle Schritte erforderten, laufen jetzt deterministisch und parallel ab — mit vollständiger Datensatzabdeckung unabhängig von der Größe des Datensatzes.