RLMs no Deep Agents: como agentes recursivos resolvem o problema do contexto longo

Quanto mais contexto um agente de IA acumula, pior ele performa — um fenômeno conhecido como “context rot”. Os Recursive Language Models (RLMs), propostos por pesquisadores do MIT CSAIL, atacam esse problema de forma engenhosa: em vez de forçar o prompt inteiro na janela de contexto, o modelo executa código em um REPL que despacha subagentes e recorre sobre pedaços do texto de entrada.

O problema do contexto rot

Imagine um agente processando 10.000 transcrições de vendas para calcular o ticket médio. Turno a turno, o modelo precisa manter um total acumulado no contexto — e esse total sofre deriva quanto mais longo o processamento. Um agente no estilo RLM mantém a orquestração e a contagem em código, não na janela de contexto efêmera do modelo. O paper mostra que RLMs processam entradas até duas ordens de grandeza além da janela de contexto do modelo, superando agentes tradicionais.

Orquestração programática vs. tool calling

A grande diferença está na cobertura determinística. Um loop for batch in batches toca cada lote por construção — enquanto um modelo tradicional tem dificuldade em executar iterações nessa escala turno a turno. A orquestração programática também permite pipelines com o formato que a tarefa exigir: ramificações, paralelismo, sequencial — sem ficar limitada ao que o modelo consegue executar consistentemente via tool calling.

Deep Agents com subagentes dinâmicos

O LangChain implementou suporte a RLMs no Deep Agents através de subagentes dinâmicos com um interpretador de código leve (QuickJS). Em vez de despachar subagentes manualmente turno a turno, o modelo escreve um script curto e o interpretador executa. No benchmark OOLONG, que testa raciocínio com contexto longo, o agente com orquestração programática manteve desempenho onde o agente tradicional simplesmente desistiu — respondendo “não consigo computar” quando o contexto passou de 128k tokens.

Comece agora

O Deep Agents inclui um subagente genérico pronto para uso, mas também permite configurar subagentes especializados com nomes, descrições e system prompts próprios. O script de orquestração despacha para o subagente adequado a cada tarefa. A forma mais rápida de testar sem configuração é o dcode, o agente de terminal do LangChain que já vem com o interpretador habilitado.