LangChain: Deep Agents dobivaju QuickJS interpreters za kod između tool poziva
LangChain je 20. svibnja 2026. uveo interpreters — ugrađene QuickJS runtime okoline u Deep Agents framework koje agentima omogućuju pisanje i izvršavanje koda između poziva alata bez serijalizacije stanja u povijest poruka. Tvrtka tvrdi do 35 posto manju potrošnju tokena na nekim zadacima jer state perzistira unutar runtime-a umjesto u kontekstu modela, uz eksplicitno kontroliran akcijski prostor bez pristupa filesystemu, mreži ili shellu po defaultu.
Ovaj članak generiran je uz pomoć umjetne inteligencije na temelju primarnih izvora.
LangChain je 20. svibnja 2026. uveo interpreters — ugrađene QuickJS runtime okoline u Deep Agents framework koje agentima omogućuju pisanje i izvršavanje koda između LLM tool poziva bez serijalizacije stanja u povijest poruka. Tvrtka tvrdi do 35 posto manju potrošnju tokena na nekim zadacima jer state perzistira unutar runtime-a umjesto u kontekstu modela.
Što su interpreters i kako se razlikuju od code execution alata?
U klasičnom tool-calling modelu, LLM bira alat, alat se izvodi izvan modela, rezultat se vraća kao tool output message, model odlučuje sljedeći korak. Svaki intermediate korak puni kontekst window, i složeni multi-step zadaci brzo dosegnu token limit. Interpreters uvodi srednji sloj: agent piše JavaScript kod koji se izvodi u QuickJS engineu s memory limitima i timeoutima, i taj kod direktno poziva alate, manipulira podacima i čuva state između koraka.
To je drugačije od OpenAI Code Interpreter ili Claude code execution koji se ponašaju kao tool — interpreter je runtime sloj u kojem agent može pozvati više alata u jednoj programatskoj cjelini bez prolaska kroz LLM kontekst za svaki korak.
Što tvrdnju o 35 posto manje tokena podupire?
LangChain u objavi navodi konkretni benchmark scenarij: agent koji obrađuje veliki skup dokumenata (npr. analiza 200 PDF-ova) tradicionalno generira 200 koraka u povijesti poruka. S interpreterom agent piše petlju u kodu koja poziva alat za svaki dokument, agregira rezultate u lokalnoj varijabli, i tek finalni sažetak vraća modelu. Štedi se i input (manji povijesni kontekst u svakom sljedećem pozivu) i output (model više ne mora generirati ponavljajuće tool call upute).
Kako se rješava sigurnost?
QuickJS interpreter ima eksplicitno minimalan akcijski prostor. Po defaultu nema pristup filesystemu, mreži ni shellu. Sve kapabilnosti se moraju otvoriti kroz host bridgeove koje konfigurira organizacija. Time se izbjegava prompt injection problem u kojem manipulirani prompt navodi agent da pristupi resursima koji mu nisu namijenjeni — granice su definirane na razini runtimea, ne LLM-a.
Što ovo znači za agent ekosustav?
Pristup je sličan filozofiji Anthropic-ovog “computer use” modela (gdje Claude izvršava akcije u sandbox-u) i OpenAI-jevog Code Interpreter-a, ali optimiziran za tool orchestration umjesto za open-ended code execution. AutoGPT, CrewAI i AWS Strands Agents vjerojatno će morati slijediti sličan obrazac — programatski sloj između LLM-a i alata postaje standardna komponenta moderne agent arhitekture.
Česta pitanja
- Što su QuickJS interpreters u kontekstu Deep Agents?
- QuickJS je laki JavaScript engine s memory limitima i execution timeoutima koji se izvodi unutar Deep Agents runtimea. Agent može pisati JavaScript kod između LLM poziva — taj kod direktno poziva alate, manipulira podacima i čuva state između koraka, bez prolaska kroz LLM kontekst.
- Zašto se troši manje tokena?
- U klasičnom tool-calling-u svaki rezultat alata i međustanje moraju u povijest poruka da bi agent znao gdje je. Interpreter čuva state lokalno — model ne mora vidjeti sve intermediate korake, već samo finalni rezultat ili sažetak. Time se kontekst ne puni linearno s brojem koraka.
- Što s sigurnošću?
- Interpreter je dizajniran s minimalnim akcijskim prostorom. Po defaultu nema pristup filesystemu, mreži ni shellu. Kapabilnosti se moraju eksplicitno otvoriti kroz host bridgeove, što omogućuje organizaciji da kontrolira točno koje akcije agent može izvoditi.