LangChain reformula skills no Deep Agents e vincula ferramentas

Notícia
Programação
07/10/2026

A LangChain anunciou em 7 de outubro de 2026 uma reformulação do suporte a skills no Deep Agents, sua camada voltada à construção de agentes de longa duração. A atualização traz três mudanças centrais: a possibilidade de vincular ferramentas a uma skill, a fixação de skills em tempo de execução pelas aplicações e a recarga de skills no meio de uma thread já em andamento.

O objetivo declarado é manter agentes com repositórios extensos de habilidades eficientes em contexto sem perder efetividade na execução das tarefas.

O que é uma skill e como ela carrega

Uma skill é um diretório que contém um arquivo SKILL.md: frontmatter em YAML com os campos name e description, seguido das instruções que o agente deve seguir. Ela também pode agrupar arquivos de apoio em pastas como scripts/, references/ e assets/.

Trata-se de um padrão aberto, o Agent Skills, que funciona com qualquer modelo e é compatível com dezenas de produtos de agentes. Não é preciso ser técnico para escrever uma: no fundo, é um arquivo markdown.

O funcionamento depende da divulgação progressiva (progressive disclosure). Apenas nome e descrição de cada skill ficam permanentemente no contexto; as instruções completas são lidas sob demanda.

O carregamento acontece em três níveis. Na descoberta, o agente vê o name e a description de cada skill no system prompt.

Na ativação, quando a tarefa combina com uma habilidade, ele lê o SKILL.md inteiro por meio de read_file. Na execução, segue as instruções e só abre scripts ou arquivos de referência quando eles são solicitados.

Assim, o contexto cresce apenas no que a tarefa exige: uma linha por skill no início, depois as instruções de uma skill e, por fim, um arquivo de referência.

Ferramentas vinculadas às skills

Até então, skills e ferramentas eram divulgadas de forma separada. Era possível manter esquemas de ferramentas fora do contexto com o recurso de tool search, mas nada amarrava uma ferramenta à skill que explica seu uso.

Na prática, o agente podia encontrar e chamar uma ferramenta sem ter lido sua skill, ou ler a skill e ainda precisar procurar as ferramentas correspondentes.

Com a mudança, as ferramentas passam a ser declaradas no frontmatter da skill, sob metadata.include_tools, de modo que skill e ferramentas são divulgadas juntas. Uma ferramenta vinculada não entra no contexto até que o agente leia a skill à qual está presa, e uma chamada feita antes disso falha como ferramenta desconhecida.

Isso mantém o contexto enxuto e garante que o agente tenha lido como usar a ferramenta antes de acioná-la. Em modelos que aceitam novas ferramentas no meio da conversa, adicioná-las preserva o cache de prompt.

A própria LangChain usa como exemplo o seu GTM agent, construído sobre o Deep Agents e com uma biblioteca de mais de 50 skills ligadas ao trabalho recorrente de um representante de vendas, como meeting-prep, call-transcripts e competitive-intel-card. A skill call-transcripts explica como pesquisar chamadas e ler transcrições, sendo portanto o lugar natural para vincular essas ferramentas.

Skills fixadas e recarga no meio da thread

A segunda mudança permite que aplicações fixem skills em tempo de execução. Quando o usuário pede explicitamente uma skill, como em um comando do tipo /meeting-prep, o aplicativo pode carregá-la antes da próxima chamada ao modelo, deixando as instruções já presentes no contexto desde a primeira invocação e eliminando idas e voltas de read_file.

A terceira novidade é a recarga de skills no meio da thread. Um agente de execução longa passa a captar skills adicionadas, editadas ou excluídas sem precisar iniciar uma nova thread, o que evita reiniciar o histórico de trabalho a cada mudança no repositório de habilidades.

Por que isso importa

O contexto é apontado pela LangChain como o ponto crítico para construir agentes eficazes, tema que a empresa já detalhou em material sobre engenharia de contexto para agentes. Com a adoção crescendo, registros corporativos de skills caminham para milhares de habilidades compartilhadas entre times e agentes, o que torna o custo de contexto um problema de escala.

Enquanto uma skill não é usada, ela custa uma única linha no system prompt, permitindo que uma biblioteca mantenha referência a muitas habilidades sem congestionar a janela de contexto. As três mudanças atacam justamente as solicitações mais comuns de quem opera nessa escala: ferramentas que só aparecem quando a skill correspondente é lida, skills carregadas de antemão quando pedidas explicitamente e um repositório que pode mudar sem obrigar o agente a começar de novo.