Deep Agents načtou nástroje až s návodem, jak je používat

TL;DR

• Deep Agents nově umožňují zpřístupnit nástroje až ve chvíli, kdy agent načte příslušný skill, tedy balíček pracovních instrukcí a podkladů.
• Aplikace může předem načíst uživatelem vybraný skill a během pokračující konverzace obnovit seznam dostupných skills. Zachování mezipaměti při přidání nástrojů závisí na podpoře modelu.
• Pokud na Deep Agents stavíš vlastního agenta, vyzkoušej změnu na jedné opakované úloze. Ověř načtení instrukcí, dostupnost nástrojů i oprávnění uživatele.

Agent má připravit podklady na schůzku. K dispozici má vyhledávání hovorů, přepisy i další firemní nástroje. Potřebuje ale také vědět, které záznamy vybrat a jak s nimi pracovat. Když nástroje a pracovní instrukce dostává odděleně, může použít nástroj dřív, než si načte příslušný postup.

LangChain v oznámení ze 7. října představil úpravy Deep Agents, které tyto dvě části propojují. Vedle navázání nástrojů na skills přidal jejich předběžné načtení a obnovu během konverzace. Pro tým s vlastní aplikací to znamená větší kontrolu nad tím, kdy agent dostane konkrétní instrukce a nástroje.

Nástroj se zpřístupní společně s instrukcemi

Skill je složka se souborem SKILL.md, který obsahuje název, popis a pracovní instrukce. Může přibalovat také skripty a referenční podklady. Agent zpočátku vidí jen názvy a popisy dostupných skills. Celé instrukce si načte, až když je potřebuje, a podpůrné soubory teprve při konkrétní práci.

Nově lze ke skillu přiřadit nástroje pomocí položky metadata.include_tools. Vývojář je předá do SkillsMiddleware, které zajišťuje práci se skills, místo aby je rovnou zpřístupnil agentovi. Dokud agent příslušný skill nenačte, popisy těchto nástrojů nejsou v jeho kontextu. Pokus o jejich předčasné zavolání skončí chybou neznámého nástroje.

U agenta pro obchodní tým tak může skill pro práci s přepisy zpřístupnit vyhledávání hovorů a čtení přepisů současně s pravidly pro jejich zpracování. Instrukce se dostanou do kontextu před použitím nástroje. To samo ještě nezaručuje, že je agent správně dodrží.

Dostupnost lze navíc řídit funkcí, která podle aktuálního uživatele vrátí jen povolené nástroje. Pokud například smí obchodní prognózu upravovat pouze vedoucí, musí aplikace toto oprávnění zohlednit. Samotné načtení skillu není důvodem k udělení přístupu.

Vybraný postup může být připravený předem

Když uživatel výslovně vybere postup pro přípravu schůzky, agent nemusí nejprve hledat odpovídající skill a samostatně číst jeho instrukce. Aplikace ho může předat přes pinned_skills. Instrukce i navázané nástroje pak budou připravené před dalším voláním modelu.

Tím odpadá mezikrok potřebný k načtení skillu. U opakovaných úloh to může zkrátit čekání a omezit situace, kdy agent zvolí jiný postup, než uživatel zamýšlel.

Výběr však zpracovává aplikace. Deep Agents samy nerozpoznávají příkazy ve zprávách. Pokud chceš používat například /meeting-prep, musí tvoje aplikace příkaz rozpoznat a příslušný skill předat. Totéž může obstarat tlačítko nebo nabídka v rozhraní.

Obnova skills a mezipaměť mají odlišné podmínky

Dlouhá konverzace může pokračovat i poté, co tým přidá nebo upraví pracovní postup. Aplikace nyní může nastavením skills_metadata na None vyvolat nové prohledání knihovny při dalším běhu. Agent tak může zachytit přidané, změněné či odstraněné skills bez zakládání nové konverzace. O okamžiku obnovy rozhoduje aplikace.

Je přitom potřeba rozlišovat dvě změny kontextu. Přidání nástrojů navázaných na právě načtený skill může zachovat už zpracovanou část zadání v mezipaměti, označované jako prompt cache. Podle oznámení to platí pro novější modely Anthropic a OpenAI, které podporují přidávání nástrojů během konverzace. U ostatních modelů se nástroje doplňují do seznamu v požadavku dosavadním způsobem.

Obnova knihovny, která najde nové skills, naproti tomu mění systémové zadání a zneplatní jeho dosavadní mezipaměť. Nelze tedy předpokládat, že všechny tři novinky automaticky zachovají cache nebo přinesou stejnou úsporu.

Začni jedním postupem, který už používáš

Pokud Deep Agents používáš, vhodným prvním pokusem je jedna jasně vymezená úloha, například příprava podkladů z přepisů hovorů. Připoj ke skillu jen potřebné nástroje a ověř tři věci: zda nejsou dostupné před načtením instrukcí, zda je výslovně vybraný skill připravený před voláním modelu a zda aplikace respektuje oprávnění konkrétního uživatele.

Pak porovnej dobu zpracování a správnost výsledku s dosavadním řešením. Oznámení neuvádí měření, ze kterého by šlo odvodit úsporu pro tvou aplikaci. Praktický přínos proto posuzuj podle toho, zda agent dostane správný postup ve správný okamžik a dokončí stejnou práci s menším počtem zbytečných kroků.

Zdroj

Sydney Runkle, LangChain: Revamping Skills in Deep Agents, 7. října 2026