A LangChain publicou em 17 de novembro de 2026 um relato técnico sobre como construiu seus agentes internos de inteligência artificial para as áreas de marketing, vendas e engenharia — e sobre o que aprendeu ao colocá-los para funcionar no dia a dia dos times. No texto, assinado com agradecimento a Caspar Brønd, a empresa afirma que os três agentes foram erguidos da mesma forma e que esse conjunto de decisões pode servir como receita geral para o que chama de "company harness": a camada que conecta modelos de linguagem ao contexto, às permissões e às ferramentas reais de uma organização.
Os três agentes e a receita comum
A base da discussão são três agentes internos. O GTM Agent é descrito como um agente proativo e sempre ativo, que monitora e responde e-mails, acompanha novos leads qualificados, envia briefings diários, responde perguntas sobre contas e executa ações de prospecção.
O OpenSWE é o agente de engenharia: trabalha em pull requests, redige rascunhos e também roda revisão de código em todos os PRs. Já o Content Studio é o agente de marketing, capaz de produzir rascunhos de blogs, imagens, apresentações em PowerPoint e vídeos no estilo da empresa e com conhecimento do posicionamento dela.
Segundo a LangChain, os cinco componentes que emergiram desse esforço são: o agente viver onde as pessoas já trabalham (no caso da empresa, o Slack); saber quem está perguntando e agir em nome dessa pessoa para alguns serviços e com identidade própria para outros; ter memória, global e/ou no nível do usuário; executar código em sandbox, podendo fazer requisições a serviços que exigem autenticação; e ter uma grande parcela das execuções agendada, em vez de disparada explicitamente por alguém, os chamados agentes ambiente.
Todos foram construídos sobre o Managed Deep Agents, componente gerenciado da plataforma.
Onde o agente mora
A primeira escolha foi de experiência de uso: cada agente tem seu próprio app no Slack, podendo receber mensagens diretas ou ser marcado em canais. Trabalhar em canais públicos tem um efeito colateral bem-vindo, segundo a empresa: as pessoas veem como colegas usam o agente e aprendem com isso.
A LangChain também criou um mecanismo de "breakout", que permite ao agente sair de uma conversa humana e abrir sua própria thread no canal, evitando poluir o diálogo original quando alguém quer apenas pedir uma opinião ou uma tarefa.
Nem tudo, porém, funciona bem dentro do Slack. O exemplo citado é a revisão de e-mails que o GTM Agent propõe enviar: resolver um caso isolado por mensagem é aceitável, mas acompanhar um backlog grande por threads seria péssimo.
Para esses casos, a empresa construiu uma interface própria.
Identidade: o problema mais espinhoso
A LangChain classifica a identidade como a questão mais difícil de resolver: quando o agente age, em nome de quem ele age? O texto opõe duas abordagens comuns na indústria, a atuação em nome do usuário que invoca o agente (on-behalf-of) e o uso de credenciais fixas, como uma conta de serviço, independentemente de quem fez a chamada.
A empresa detalha como aplicou cada uma, e a documentação sobre identidade em Managed Deep Agents e gestão de conexões acompanha o relato.
No OpenSWE, a regra é híbrida: ao receber uma mensagem, ele age em nome de quem escreveu e abre pull requests com o identificador GitHub dessa pessoa; quando roda em segundo plano, como revisor de código, assume a própria identidade, via app do GitHub. No GTM Agent, algumas ferramentas, como o acesso ao Salesforce, usam identidade fixa para que ninguém precise fazer login individualmente; já as ferramentas de e-mail agem em nome do usuário e só ficam disponíveis em mensagens diretas, nunca em canais compartilhados.
No Content Studio, o Notion segue a lógica on-behalf-of, enquanto o Twitter usa credenciais fixas da conta corporativa, com uma lista restrita de pessoas autorizadas a certas operações, nem todos podem publicar, apenas ler ou rascunhar.
Memória, código e execução agendada
A memória é organizada em dois níveis: uma camada global e outra no nível do usuário, conforme a documentação de memória dos Managed Deep Agents. Já a execução de código ocorre em sandbox, com permissão para chamar serviços que exigem autenticação, ponto listado como um dos problemas a resolver, ao lado da experiência de uso, da identidade e das execuções agendadas.
Esse último item é apresentado como característica central do modelo: boa parte das execuções não parte de um comando humano, e sim de agendamentos. É o que a LangChain chama de agentes ambiente, que agem continuamente em segundo plano, enviando briefings, monitorando leads ou revisando pull requests sem que ninguém precise pedir.
Por que isso importa
O relato desloca a discussão sobre agentes corporativos do modelo em si para a infraestrutura ao redor dele: permissões, contexto compartilhado, isolamento de execução e agendamento. A mensagem implícita é que a dificuldade de colocar agentes para trabalhar em equipe não está em fazê-los responder, mas em definir com clareza em nome de quem agem, o que lembram e onde podem tocar.
Para empresas que tentam replicar o modelo, a LangChain oferece sua própria experiência como Receita: um harness único, com os mesmos primitivos, aplicado a áreas com necessidades bem diferentes.







