Em 10 de novembro de 2026, a LangChain publicou no blog o artigo Context Engineering Starts with Retrieval. O texto defende que o debate sobre contexto em agentes de IA começa na busca, antes da memória e da orquestração.
A empresa cita o harness Deep Agents e diz que ferramentas de recuperação bem desenhadas evitam gasto de tokens e tempo com pesquisas desajeitadas, resultados grandes demais e informações desatualizadas.
A analogia é a de uma prova com consulta. Ter todas as respostas disponíveis não ajuda se o estudante não sabe onde procurar nem quando confiar na fonte encontrada.
Os três modos de falha da recuperação
O artigo organiza o problema em três frentes.
A primeira é a busca ineficiente. Cada pesquisa custa tokens e tempo.
Um agente que abre todos os arquivos só para ver o que há dentro, ou que reescreve a mesma consulta várias vezes, enche a janela de contexto com tentativas fracassadas antes de chegar a algo útil.
A segunda é o excesso de contexto de uma vez. Uma única busca que devolve um export completo de dados ou uma dúzia de documentos consome a janela inteira em um movimento.
Não sobra espaço para o trabalho em si.
A terceira é o contexto irrelevante ou obsoleto. Ele pode parecer tão convincente para o modelo quanto a resposta correta.
Uma vez instalado na janela, contamina todos os passos seguintes.
Glob, grep e leitura página a página
O harness Deep Agents mantém as buscas pequenas por padrão.
As ferramentas de filesystem embutidas pesquisam antes de ler. O glob localiza arquivos por padrão de nome, como em uma varredura do tipo company-a.
O grep procura dentro dos arquivos sem carregá-los inteiros para o contexto.
O grep pode devolver os arquivos correspondentes, as linhas que batem ou apenas contagens. Só depois entra o read_file, que lê uma página por vez.
O conjunto inclui ainda ls, write_file e edit_file. Funciona do mesmo modo onde os arquivos estiverem: no estado do agente, em disco local, em armazenamento persistente ou em um sandbox.
Todas as operações passam pelo backend do agente, descrito na documentação do Deep Agents.
Resultados de ferramentas que estouram o tamanho também são tratados. O conteúdo completo é salvo em arquivos.
O agente recebe apenas o caminho e uma prévia.
O material completo fica acessível, mas não ocupa a janela sem necessidade. A lista de ferramentas embutidas está na documentação do harness.
Retrieve, offload, delegate
Para buscas personalizadas, como pipelines de RAG, a LangChain recomenda um padrão em três passos: recuperar, descarregar e delegar.
Os resultados da busca são gravados em arquivos. O agente principal recebe os caminhos, e subagentes leem o conteúdo.
O agente que conduz a tarefa só vê o que é relevante, em vez de absorver dezenas de trechos brutos.
O grep resolve bem quando se sabe quais palavras procurar. Ele só encontra correspondências exatas do texto informado.
O limite abre espaço para uma ferramenta de recuperação semântica.
Um agente de análise competitiva como cobaia
O exemplo usado no artigo é um agente de análise competitiva. Toda segunda-feira, ele pesquisa centenas de concorrentes e escreve um relatório no modelo da equipe.
O agente precisa encontrar as notas da semana anterior sobre a Empresa A. Precisa localizar um número específico de receita em um enorme export de dados de mercado.
Precisa vasculhar um arquivo de notícias em busca de novidades.
São três tipos diferentes de recuperação, com problemas diferentes. Cada um se beneficia das ferramentas certas: o glob para o arquivo de notas, o grep para achar a linha exata no export e uma busca dedicada para o noticiário.
Por que isso importa
A mensagem central é que a melhor busca é aquela que o agente não precisa repetir.
Em vez de ler todas as páginas do livro, o agente consulta o índice. Primeiro vêm nomes e palavras-chave, depois o conteúdo relevante.
O ganho aparece em custo de tokens, em latência e em confiabilidade.
Informações erradas que entram cedo no contexto tendem a se propagar por todo o raciocínio seguinte. O artigo trata essa etapa como responsabilidade do harness, a camada entre o modelo e as ferramentas.
Não é um detalhe de implementação de cada aplicação.
O texto também remete a uma continuação. O tema é o que fazer com o contexto depois que ele já está dentro da janela, assunto do artigo sobre [engenharia de contexto e mem
