A LangChain publicou em 14 de outubro de 2026 um guia sobre engenharia de contexto voltado a agentes de longa duração. O material descreve o que a empresa chama de "context rot": conforme uma execução se estende, o modelo acumula instruções, resultados de ferramentas e arquivos até saturar a janela de contexto.
Quanto mais histórico, ruído e saída de ferramenta o modelo carrega, pior tende a ser sua precisão e sua capacidade de raciocínio. A proposta do texto é simples de enunciar e difícil de executar: retirar contexto da janela ativa sem apagá-lo.
O que é context rot e por que ele aparece
Na definição adotada pelo blog, um agente é apenas um modelo de linguagem com um arnês em volta — o harness, camada de software que decide o que entra no contexto a cada chamada. O context rot surge quando esse arnês falha em filtrar.
O texto compara a situação à de quem estuda até tarde para uma prova: quanto mais avança na matéria, mais o conteúdo dos primeiros capítulos escapa.
As técnicas disponíveis se dividem em duas famílias. A primeira impede que informação desnecessária entre na janela de contexto.
A segunda administra e filtra o que já está dentro dela. O objetivo declarado é entregar ao modelo o contexto certo no momento certo para cada tarefa.
As cinco estratégias do deep agents
O Deep Agents, arnês de código aberto da LangChain, aplica cinco técnicas para mover contexto para fora da janela ativa sem descartá-lo. Segundo a empresa, o agente principal passa a carregar apenas o que precisa, mas mantém a possibilidade de recuperar o dado bruto mais tarde.
A primeira técnica é o offloading: resultados grandes de ferramentas e mensagens do usuário são gravados no sistema de arquivos, e o modelo vê apenas uma prévia. A segunda é a sumarização: quando a conversa se aproxima do limite, mensagens antigas são condensadas em um resumo.
As três restantes tratam de conhecimento e isolamento. As skills carregam know-how de tarefa somente quando o próprio modelo decide que aquilo é relevante.
Os subagentes executam o trabalho ruidoso em uma janela de contexto separada e devolvem apenas o resultado final. Por último, a memória de longo prazo grava o que o agente aprendeu em um arquivo que atravessa conversas.
Um relatório competitivo como caso de teste
O material ilustra as técnicas com um agente de análise competitiva. Toda segunda-feira, ele pesquisa cinco concorrentes e escreve um relatório no modelo usado pela equipe.
O roteiro inclui puxar uma exportação de dados de mercado da Companhia A, com dezenas de milhares de linhas, buscar notícias, ler artigos e tomar notas, repetir o processo para as empresas B a E e, por fim, redigir o texto, revisá-lo com base no feedback recebido e formatá-lo.
Ao chegar na etapa de formatação, o agente já arrastou cinco exportações brutas, dezenas de resultados de busca e dois rascunhos desatualizados por todas as chamadas ao modelo, pacote em que a maior parte é irrelevante para o que ele precisa fazer naquele instante. Métodos de recuperação como RAG ou busca em sistema de arquivos ajudam a trazer somente o necessário, mas, segundo a LangChain, isso resolve apenas metade do problema: mesmo um agente preciso acumula mensagens e saídas de ferramenta que já não servem.
Middleware, arquivos e troca de modelo
A implementação dessas estratégias no Deep Agents se apoia em um conceito que o texto chama de middleware: componentes que injetam as técnicas de contexto diretamente na execução do agente. Outro ponto destacado pela empresa é o formato da memória, armazenada como arquivos simples em um storage controlado pelo próprio usuário.
Com isso, é possível trocar de modelo ou de provedor sem perder tudo o que o agente já aprendeu.
Por que isso importa
Agentes que rodam por horas ou dias são justamente os que tendem a sofrer mais com a degradação descrita. Ao transformar histórico em arquivos, resumos e agentes auxiliares, a abordagem reduz o volume de tokens processados a cada chamada e torna o comportamento do sistema mais previsível em tarefas longas, como a produção recorrente de relatórios.
A promessa é de que a precisão não caia conforme a tarefa avança.
O desenho também tem implicação prática para quem monta infraestrutura de IA: se o conhecimento fica em arquivos sob controle do time, a escolha do modelo deixa de ser uma decisão irreversível. O guia não apresenta números de desempenho nem comparações fechadas entre provedores, é um material conceitual, que organiza o vocabulário e as técnicas disponíveis no arnês de código aberto da LangChain.
