Deep Agents 0.7 senkt den Prompt-Ballast um 65 Prozent

LangChain hat Deep Agents 0.7 am 24. Juli 2026 mit einem schlankeren Standard-Harness vorgestellt. Laut LangChain-Changelog sinkt dessen Eingabemenge von 5.395 auf 1.895 Tokens pro Durchlauf – nach Rechnung des Anbieters eine Reduktion um 65 Prozent.

Dahinter steckt weder ein neuer Kompressionsalgorithmus noch ein kleineres Modell. LangChain hat statischen Text gekürzt, der bei jedem Aufruf erneut im Kontext landet: Der Basisprompt startet leer, Werkzeugbeschreibungen fallen knapper aus und die Todo-Planung ist im Standardprofil optional. Wer laufende Agenten optimiert, sollte deshalb nicht nur Nutzereingaben und Verlauf messen. Auch das Harness kostet bei jedem Durchlauf Kontext, Geld und mitunter Aufmerksamkeit des Modells.

Wo die Tokens verschwinden

Allein die Beschreibungen der Standardwerkzeuge schrumpfen laut Changelog von 4.005 auf 2.302 Tokens. Das entspricht nach Anbieterrechnung einem Minus von 43 Prozent. Zusammen mit dem leeren Basisprompt und den optionalen Todos ergibt sich für den Standard-Agenten die ausgewiesene Reduktion von 65 Prozent. In LangChains Evaluation soll die Qualität dabei stabil geblieben sein; ohne Details zu Aufgaben und Bewertung bleibt das eine Herstellerangabe.

Für die Kürzung wurden ausführliche Beispiele und Schritt-für-Schritt-Anleitungen aus den Werkzeugbeschreibungen entfernt. Erhalten bleiben kurze Zweckangaben und Einschränkungen, die das Verhalten steuern. Das ist ein sinnvoller Schnitt, wenn das Werkzeugschema Parameter und Struktur bereits eindeutig beschreibt. Zusätzliche Prosa muss dann einen erkennbaren Fehler verhindern – sonst reist sie bei jedem Aufruf als Ballast mit.

Bei wiederholten Läufen wird daraus eine relevante Betriebsgröße. Werden pro Durchlauf 3.500 Eingabe-Tokens eingespart, summiert sich das bei hundert identischen Läufen auf 350.000 Tokens. Je nach Anbieter und Cache-Regeln werden diese Tokens regulär verarbeitet oder zumindest durch den Prompt-Cache bewegt. Für mich ist das der wichtigere Punkt der Veröffentlichung: Statischer Harness-Text gehört in dieselbe Kostenbetrachtung wie Modellwahl und Gesprächshistorie.

Das ergänzt die Ergebnisse aus dem Deep-Agents-Benchmark: Neben gelösten Aufgaben zählt der Aufwand unter realistischen Bedingungen. Für die Messung solcher Unterschiede helfen Traces und Evals, weil sie Kosten und Werkzeugverhalten über mehrere Läufe vergleichbar machen.

Planung wird zur bewussten Entscheidung

LangChain aktiviert die Todo-Planung im Standardprofil nicht mehr automatisch. Das Codex-Harness-Profil behält sie laut Changelog bei. Planung verschwindet damit nicht, sondern wird vom Einsatzzweck abhängig: Ein längerer Coding-Auftrag kann von einer expliziten Aufgabenliste profitieren, während sie bei einem kurzen, eindeutigen Werkzeugaufruf hauptsächlich zusätzlichen Kontext erzeugt.

Bei einer Migration sollte dieses Verhalten separat geprüft werden. Anwendungen, die automatisch erzeugte Todos als Fortschrittsanzeige, Kontrollpunkt oder nachgelagertes Artefakt verwenden, dürfen keinen unveränderten Ablauf voraussetzen. Das Modell kann weiterhin zum richtigen Ergebnis kommen und trotzdem weniger Zwischenschritte offenlegen. Neben der Ergebnisqualität zählt daher auch, ob benötigte Planungsartefakte zuverlässig entstehen.

Dasselbe gilt für eigene Prompts. Ein leerer Basisprompt spart wenig, wenn die Anwendung den freien Raum sofort mit allgemeinen Arbeitsregeln, langen Beispielen und wiederholten Parametererklärungen füllt. Eine brauchbare Mindestregel lautet: Jede dauerhafte Instruktion sollte auf ein beobachtetes Fehlverhalten oder eine zwingende Betriebsanforderung zurückgehen.

Vor der Migration zählt die Paketversion

Deep Agents 0.7 bezeichnet eine Paketlinie, nicht automatisch das Artefakt, das in einer konkreten Umgebung installiert ist. Die zugehörigen GitHub Release Notes kennzeichnen 0.7.0b2 ausdrücklich als Vorabversion. Für den produktiven Einsatz ist deshalb die tatsächlich installierte Paketversion entscheidend, nicht allein die allgemeinere Überschrift des Changelogs.

Ein Vergleich sollte mit identischen Aufgaben, Modellen und Werkzeugen laufen. Drei Messwerte liefern einen brauchbaren Ausgangspunkt: Eingabe-Tokens pro Durchlauf, Erfolgsquote und Zahl unnötiger oder falscher Werkzeugaufrufe. Sinkt der Tokenverbrauch, während Fehler und Wiederholungen zunehmen, wurden Prompt-Kosten lediglich in zusätzliche Läufe verschoben.

Auch angepasste Middleware gehört in diesen Test. Deep Agents 0.7 bietet ein stärker konfigurierbares Harness; Änderungen an dessen Zusammensetzung können mit eigenen Prompts, Erweiterungen und Werkzeugen wechselwirken. Ein Staging-Lauf sollte daher das tatsächlich genutzte Profil abbilden. Der unveränderte Standard-Agent ist ein nützlicher Referenzwert, aber selten die Produktionsumgebung.

Kernpunkte für den Betrieb

Die gemeldete Einsparung gilt für LangChains Standard-Agenten. Sie lässt sich nicht unverändert auf Anwendungen mit umfangreichen eigenen Instruktionen, zusätzlichen Werkzeugen oder langen Gesprächsverläufen übertragen. Je größer dieser anwendungsspezifische Anteil ist, desto kleiner kann der relative Effekt ausfallen.

Die Konsequenz bleibt konkret: Statischer Prompt-Text muss seinen Platz bei jedem Durchlauf rechtfertigen. Produkt- und Plattformteams sollten die Harness-Größe gemeinsam mit Latenz, Erfolgsquote und Fehlaufrufen beobachten. Übernommen wird die neue Konfiguration erst dann, wenn sie unter realen Aufgaben weniger Tokens benötigt und das erforderliche Verhalten stabil hält.