--- title: deepagents: o framework Python para construir agentes de IA prontos para produção description: Aprenda a usar deepagents (LangChain/LangGraph) para construir agentes autônomos em Python e descubra 3 ideias de produto concretas para monetizar. date: 2026-03-29 url: https://caminhosolo.com.br/2026/03/deepagents-framework-agentes-producao/ tags: [agentes-ia, langgraph, ia, automacao, micro-saas] --- ## TL;DR [deepagents](https://github.com/langchain-ai/deepagents) é um framework do LangChain que entrega um agente autônomo pronto para produção em minutos — com sub-agents, context management, ferramentas de filesystem e execução nativas. Para solo builders, isso significa: menos tempo montando infraestrutura de agente e mais tempo construindo o produto que vai gerar receita. Este artigo mostra como funciona, o que você pode construir e 3 ideias de produto com modelo de monetização definido. --- ## O problema que você conhece: agentes que funcionam vs agentes que produzem Todo builder que trabalha com agentes de IA vive a mesma contradição. No notebook, funciona. O agente pesquisa, raciocina, executa. Você testa localmente, funciona. Aí você tenta transformar aquilo em algo usável por outra pessoa — ou mesmo por você mesmo de forma confiável — e começa o caos. Context window estoura. O agente entra em loop. Não tem como monitorar o que está acontecendo. Cada tarefa longa corrompe o histórico da conversa. Sub-tarefas complexas travam a execução. E quando você finalmente resolve um problema, aparece outro. O motivo é simples: a maioria dos builders monta agentes manualmente sobre [LangChain](https://python.langchain.com) ou [LangGraph](https://langchain-ai.github.io/langgraph/) sem uma estrutura padronizada. Cada projeto começa do zero. Cada vez você reinventa context management, planejamento de tarefas, execução segura de comandos, isolamento de sub-agents. deepagents resolve isso. É um harness — um invólucro pré-configurado sobre LangGraph — que entrega toda essa infraestrutura pronta. Você instala, customiza a lógica de negócio e já tem um agente production-ready. --- ## O que é deepagents (e o que ele não é) deepagents é um framework open-source do LangChain que fornece um [agente autônomo](https://caminhosolo.com.br/2026/03/agentes-ia-autonomos-guia-pratico/) completo e configurado como ponto de partida. A definição técnica é: um compiled LangGraph graph com ferramentas nativas, prompts pré-configurados e gerenciamento de contexto automático. O que isso significa na prática: você não precisa montar o agente do zero. Você começa com algo que já funciona e adiciona sua lógica específica por cima. O que deepagents **não é**: - Não é uma interface visual (não é [n8n](https://caminhosolo.com.br/2026/03/automacao-n8n-solopreneur/) nem Zapier) - Não é um modelo de IA (o modelo é plugável — você escolhe) - Não é uma plataforma SaaS (é uma biblioteca Python, você hospeda onde quiser) - Não é um framework de automação low-code deepagents é para builders que escrevem código. O público é o mesmo de LangGraph ou LangChain — mas sem o trabalho de montar tudo do zero. --- ## Como funciona: o modelo mental em 3 camadas Para usar deepagents bem, o modelo mental correto é pensar em 3 camadas. **Camada 1 — Runtime: LangGraph** Por baixo de tudo está o LangGraph. Ele é o motor que gerencia o fluxo de execução do agente: o loop de raciocínio, a chamada de ferramentas, o streaming, a persistência de estado e o checkpointing. Você não precisa interagir com o LangGraph diretamente — deepagents abstrai isso — mas é importante saber que ele está lá. Isso significa que qualquer recurso do LangGraph (persistência, deployment no LangGraph Platform, human-in-the-loop) está disponível. **Camada 2 — Tools nativas: o que o agente pode fazer** deepagents vem com 6 categorias de ferramentas pré-configuradas: | Tool | O que faz | |---|---| | `write_todos` | Planejamento — o agente decompõe tarefas complexas antes de executar | | `read_file` / `write_file` / `edit_file` | Operações de filesystem para persistir resultados | | `ls` / `glob` / `grep` | Navegação e busca em diretórios e arquivos | | `execute` | Execução de comandos shell com sandboxing | | `task` | Delegação para sub-agents com contexto isolado | Essas ferramentas já estão conectadas ao loop de raciocínio do agente. O LLM decide sozinho quando usar cada uma. **Camada 3 — Sua lógica de negócio** Aqui está o que você adiciona: modelo de IA, ferramentas customizadas, system prompt específico para o seu caso de uso. É a camada mais fina — e é onde está o valor do seu produto. ```python from deepagents import create_deep_agent from langchain.chat_models import init_chat_model agent = create_deep_agent( model=init_chat_model("openai:gpt-4o"), tools=[minha_ferramenta_customizada], system_prompt="Você é um assistente especializado em análise de contratos jurídicos.", ) ``` Três linhas para ter um agente especializado, com todas as ferramentas nativas disponíveis, rodando sobre LangGraph. --- ## Sub-agents: quando um agente não é suficiente O recurso mais poderoso do deepagents para builders de produto é o `task` tool — a ferramenta que permite ao agente principal criar sub-agents com janelas de contexto isoladas. O problema que isso resolve: tarefas longas e complexas tendem a degradar o desempenho do agente porque o histórico de conversa cresce demais. Depois de muitas trocas, o modelo começa a "esquecer" instruções, perder coerência ou simplesmente parar de funcionar bem. Sub-agents resolvem isso com isolamento. O agente principal pode delegar uma sub-tarefa para um sub-agent com um contexto limpo, receber o resultado consolidado e continuar com o raciocínio principal. **Exemplo de fluxo com sub-agents:** ``` Agente Principal → recebe: "Analise os 50 relatórios financeiros na pasta /dados e me dê um resumo consolidado" → planeja: divide em 5 lotes de 10 relatórios → delega para Sub-Agent 1: analisa relatórios 1-10 → retorna resumo → delega para Sub-Agent 2: analisa relatórios 11-20 → retorna resumo → ... (paralelizável) → consolida os 5 resumos → entrega: relatório final consolidado ``` Cada sub-agent começa com contexto limpo, sem o peso da conversa acumulada. O agente principal mantém o raciocínio de alto nível. Esse padrão é fundamental para qualquer produto que processa volumes grandes de dados ou executa pipelines complexos. Para builders que estão construindo [squads de agentes orquestrados](https://caminhosolo.com.br/2026/03/squad-funcionarios-virtuais-agentes-orquestrados/), deepagents fornece exatamente essa primitiva — em uma linha de código. --- ## Context management automático: o problema que você não quer resolver manualmente Qualquer agente que roda tarefas longas vai, inevitavelmente, estourar o context window. É uma questão de quando, não de se. deepagents gerencia isso automaticamente: quando a conversa cresce demais, o framework aplica sumarização automática para comprimir o histórico sem perder o contexto essencial. Outputs muito grandes são salvos em arquivo em vez de serem mantidos na memória da conversa. Você não implementa isso. Já está lá. Isso é importante porque context management manual é uma das fontes mais comuns de bugs silenciosos em sistemas de agentes — o agente "funciona" mas produz resultados piores porque o contexto foi truncado de forma errada. --- ## Casos de uso práticos ### Caso 1 — Pipeline de pesquisa e síntese O agente recebe um tema ou uma lista de URLs, faz pesquisa (via ferramenta de busca customizada ou [web scraping](https://caminhosolo.com.br/2026/03/scrapling-guia-monetizacao-dados/)), lê os conteúdos, identifica as informações relevantes, sintetiza em um formato estruturado e salva o resultado em arquivo. O que você adiciona: a ferramenta de busca/scraping e o system prompt com o formato de saída desejado. O resto — planejamento, leitura, escrita, contexto — já está no deepagents. ### Caso 2 — Análise de dados com geração de relatório O agente recebe um diretório com arquivos CSV ou JSON, usa `read_file` e `execute` (com pandas ou polars) para processar os dados, gera análises estatísticas e escreve um relatório estruturado em markdown ou HTML. Esse caso de uso transforma deepagents em um analista de dados autônomo. O builder só precisa apontar para os dados e definir o que quer ver no relatório. ### Caso 3 — Agente de desenvolvimento com testes automatizados O agente recebe uma especificação de funcionalidade, usa `write_file` para criar o código, `execute` para rodar os testes, lê os resultados, corrige erros e itera até que os testes passem. O padrão se encaixa diretamente em [TDD assistido por IA](https://caminhosolo.com.br/2026/03/tdd-spec-driven-ia/). O que torna deepagents adequado aqui é a ferramenta `execute` com sandboxing — o agente pode rodar código de verdade em um ambiente controlado, não apenas gerar código estático. --- ## 3 ideias de produto para monetizar com deepagents ### Produto 1 — SaaS de inteligência competitiva automatizada **Problema:** Empresas de médio porte precisam monitorar concorrentes, novidades do setor e movimentos de mercado, mas não têm equipe para isso. Contratar analistas é caro. Fazendo manualmente, a informação chega tarde. **Solução:** Um SaaS onde o cliente configura quais empresas, temas e fontes quer monitorar. Toda semana (ou todo dia), um agente deepagents roda automaticamente, pesquisa as fontes configuradas, identifica novidades relevantes, sintetiza em um briefing e entrega por e-mail ou Slack. **Como funciona tecnicamente:** - deepagents com tool de busca ([Tavily](https://tavily.com), SerpAPI ou scraping customizado) - System prompt especializado em análise competitiva - Scheduler externo (cron job ou n8n) dispara o agente periodicamente - Output formatado salvo em arquivo e enviado via webhook **Modelo de monetização:** - Assinatura mensal por empresa monitorada (R$ 100–300/empresa/mês) - Plano base: 5 empresas — R$ 397/mês - Plano avançado: 20 empresas + alertas em tempo real — R$ 997/mês - Alvo: gestores, times de marketing, investidores, consultorias --- ### Produto 2 — Agente de onboarding técnico para times de desenvolvimento **Problema:** Quando um dev novo entra em um time, leva semanas para entender a codebase. Documentação está desatualizada ou não existe. Os devs sênior perdem horas respondendo as mesmas perguntas. O custo de onboarding é alto e invisível. **Solução:** Um agente deepagents que "lê" a codebase do cliente (via acesso ao repositório), aprende a estrutura, padrões e convenções, e fica disponível para responder perguntas do novo dev: "Onde fica a lógica de autenticação?", "Como o sistema de pagamentos foi implementado?", "Quais são as convenções de naming neste projeto?" **Como funciona tecnicamente:** - deepagents com acesso ao repositório via `read_file`, `ls`, `glob`, `grep` - Fase de indexação: agente lê e sumariza os principais módulos, salva contexto em arquivo - Fase de resposta: agente usa o contexto indexado + acesso ao código para responder perguntas - Interface: pode ser um bot no Slack ou uma UI simples via FastAPI **Modelo de monetização:** - Assinatura por equipe (R$ 500–1.500/mês dependendo do tamanho do repositório) - Plano trial: 1 repositório, 30 dias grátis - Ideal para vender para CTOs e líderes de engenharia de empresas com 5–50 devs - Expansão natural: cobrar por repositório adicional --- ### Produto 3 — Motor de automação de conteúdo para nichos verticais **Problema:** Profissionais de nichos específicos (nutricionistas, advogados, arquitetos, contadores) precisam produzir conteúdo regularmente para redes sociais, mas não têm tempo e não sabem escrever para o digital. Contratar agência é caro e genérico. **Solução:** Um produto vertical onde o profissional responde um questionário de configuração (nicho, estilo, temas que domina, canais), e um agente deepagents produz toda semana: 5 posts para LinkedIn, 3 threads para X, 2 artigos curtos e 1 newsletter — todos no tom e com o conhecimento técnico do profissional. **Como funciona tecnicamente:** - deepagents com tool de geração de conteúdo (system prompt altamente especializado por nicho) - Sub-agents para cada formato: um sub-agent faz LinkedIn, outro faz newsletter, etc. - Input semanal: temas da semana + novidades do nicho + aprovações pendentes - Output: pasta com todos os conteúdos formatados + preview para aprovação antes de postar **Modelo de monetização:** - Assinatura por profissional: R$ 197–397/mês - Onboarding pago: R$ 500 de setup inicial - Escala natural: um único agente atende dezenas de profissionais simultaneamente - Diferencial: produto verticalmente especializado, não genérico — o nicho justifica o preço --- ## Como começar: passo a passo ### Pré-requisitos - Python 3.10+ - Uma API key do OpenAI (ou qualquer LLM compatível com tool calling) - Opcional: `uv` para gerenciamento de dependências (recomendado) ### Instalação ```bash # Com uv (recomendado) uv add deepagents # Com pip pip install deepagents ``` ### Primeiro agente rodando ```python from deepagents import create_deep_agent # Agente com configuração padrão (usa o modelo default) agent = create_deep_agent() # Invocar com uma tarefa result = agent.invoke({ "messages": [ { "role": "user", "content": "Pesquise as 5 maiores tendências em micro-SaaS para 2026 e escreva um resumo em markdown." } ] }) print(result["messages"][-1].content) ``` ### Customizando: modelo, tools e system prompt ```python from deepagents import create_deep_agent from langchain.chat_models import init_chat_model # Com modelo customizado agent = create_deep_agent( model=init_chat_model("openai:gpt-4o-mini"), # mais barato para produção system_prompt=""" Você é um especialista em análise de mercado SaaS. Sempre estruture suas respostas com: Resumo Executivo, Dados Relevantes e Recomendações. Salve todos os relatórios gerados na pasta /outputs com timestamp. """ ) ``` ### Adicionando ferramentas customizadas ```python from deepagents import create_deep_agent from langchain_core.tools import tool @tool def buscar_dados_empresa(cnpj: str) -> dict: """Busca dados públicos de uma empresa pelo CNPJ.""" # sua implementação aqui return {"nome": "...", "faturamento": "..."} agent = create_deep_agent( tools=[buscar_dados_empresa], system_prompt="Você analisa empresas brasileiras a partir do CNPJ." ) ``` ### Conectando com MCP deepagents suporta Model Context Protocol via `langchain-mcp-adapters`, o que permite conectar com qualquer servidor MCP — incluindo ferramentas como [Claude Code Skills](https://caminhosolo.com.br/2026/03/skills-claude-code-guia-completo/), browsers, bancos de dados e APIs externas. ```bash pip install langchain-mcp-adapters ``` --- ## Como fazer deploy de um agente deepagents em produção Ter um agente rodando localmente é o ponto de partida, não o destino. Para transformar isso em produto, você precisa de mais algumas peças. **Empacotamento como API** O caminho mais direto é envolver o agente em uma API [FastAPI](https://fastapi.tiangolo.com): ```python from fastapi import FastAPI from deepagents import create_deep_agent app = FastAPI() agent = create_deep_agent(...) @app.post("/run") async def run_agent(task: str): # Para produção, use `await agent.ainvoke(...)` para não bloquear o event loop result = agent.invoke({"messages": [{"role": "user", "content": task}]}) return {"output": result["messages"][-1].content} ``` Isso já é suficiente para integrar com [n8n](https://caminhosolo.com.br/2026/03/automacao-n8n-solopreneur/), Make, Zapier ou qualquer frontend. **Monitoramento com LangSmith** Para produção, configure [LangSmith](https://smith.langchain.com) para ter visibilidade completa: cada execução do agente, cada tool call, latências e erros. É gratuito para volumes baixos e essencial para debugar agentes em produção. ```bash export LANGSMITH_API_KEY=sua_chave export LANGSMITH_TRACING=true ``` **Human-in-the-loop** deepagents suporta interrupção para aprovação humana antes de executar ações críticas — enviar e-mail, deletar arquivo, fazer deploy. Esse padrão é fundamental para produtos vendidos para empresas que precisam de controle sobre o que o agente faz. **Onde hospedar** - Railway ou Render: deploy simples e barato para começar (R$ 50–150/mês) - LangGraph Platform: a opção nativa, com gerenciamento de estado e deployment integrado - VPS própria: para controle total de custo em escala O custo principal em produção não é a hospedagem — é a API do LLM. Para produtos com muitos usuários, use modelos menores e mais baratos (`gpt-4o-mini`, Claude Haiku) para tarefas de processamento em lote e reserve modelos mais capazes para tarefas que exigem raciocínio mais complexo. --- ## deepagents vale a pena? Conclusão para builders deepagents não é mais uma ferramenta para "testar IA". É uma base de produção que comprime semanas de trabalho de infraestrutura em uma instalação de dois minutos. Para um [solo builder construindo com IA](https://caminhosolo.com.br/2026/03/agentes-autonomos-ganhar-dinheiro-solopreneur/), o que isso significa na prática é direto: você passa menos tempo resolvendo context window, sub-agent routing e tool orchestration, e mais tempo construindo o produto que vai gerar receita. O gap entre "agente que funciona" e "agente que produz" sempre foi infraestrutura. deepagents fecha esse gap. **Próximos passos concretos:** 1. Instale deepagents e rode o exemplo básico — 5 minutos 2. Escolha uma das 3 ideias de produto acima (ou defina a sua) 3. Customize o system prompt e as tools para o seu caso de uso 4. Empacote como API e [valide com 3–5 usuários reais](https://caminhosolo.com.br/2026/03/validar-ideia-produto-digital/) antes de cobrar 5. Configure LangSmith antes de abrir para o público — você vai precisar dele O código está disponível, a documentação é limpa e o framework é MIT-licensed. A única coisa que falta é você começar a construir. --- ## FAQ **deepagents funciona com modelos além do OpenAI?** Sim. Qualquer modelo com suporte a tool calling funciona — Claude (Anthropic), Gemini (Google), Llama via Groq ou [Ollama localmente](https://caminhosolo.com.br/2026/03/rodar-ia-localmente-modelos-open-source/). Use `init_chat_model()` do LangChain para plugar o modelo de sua preferência. **Qual a diferença para CrewAI ou AutoGen?** CrewAI e AutoGen focam em orquestração multi-agente com roles pré-definidos. deepagents é mais low-level e flexível — você começa com um agente completo e adiciona sub-agents conforme necessário. Para produtos que precisam de controle granular sobre o comportamento do agente, deepagents tende a ser mais adequado. **Preciso de conta LangSmith para usar?** Não. LangSmith é opcional e gratuito para volumes baixos. É altamente recomendado para produção, mas não é obrigatório para desenvolver. **Quanto custa rodar em produção?** O custo principal é a API do LLM. Um agente rodando com GPT-4o-mini em tarefas de processamento custa em torno de $0,001–0,01 por execução dependendo do volume. Para 1.000 execuções/mês, o custo de LLM fica abaixo de $10. **deepagents funciona com MCP?** Sim, via `langchain-mcp-adapters`. Isso permite conectar com qualquer servidor MCP — bancos de dados, ferramentas de desenvolvimento, APIs proprietárias. **deepagents vs LangGraph puro: quando usar cada um?** Use deepagents quando quiser começar rápido com um agente funcional completo — ele já inclui tools, planejamento e context management. Use LangGraph diretamente quando precisar de um grafo de estados altamente customizado com lógica de roteamento complexa entre múltiplos nós. Para a maioria dos produtos solo, deepagents é o ponto de partida certo; LangGraph puro é para casos avançados onde a abstração do deepagents fica no caminho. **É possível usar deepagents com Claude (Anthropic)?** Sim. deepagents é agnóstico de modelo — qualquer LLM com suporte a tool calling funciona. Para usar Claude, instale `langchain-anthropic` e passe o modelo via `init_chat_model("anthropic:claude-3-5-sonnet-20241022")`. O comportamento do agente é idêntico.