Os cinco componentes por trás do company harness dos agentes internos da LangChain

A LangChain descreve três agentes internos: o GTM Agent (vendas, sempre ativo, monitora e-mails e novos leads qualificados e envia briefs diários), o OpenSWE (engenharia, redige PRs e faz code review em todos eles) e o Content Studio (marketing, produz blogs, imagens, PowerPoints e vídeos no estilo da empresa). Todos seguem a mesma receita, baseada em cinco primitivas: interface no Slack, identidade, memória, sandbox e execuções agendadas.

O ponto mais difícil, segundo o texto, foi a identidade. Em mensagens diretas, o agente age em nome do usuário (abre PRs com o handle do GitHub dele). Em segundo plano, como no code review, usa a identidade própria (um GitHub app). Salesforce usa credencial fixa. E-mail age em nome do usuário e só fica disponível em DMs, nunca em canais compartilhados. Notion também age em nome de quem chama. No Twitter, a conta da empresa é fixa, mas só usuários em whitelist executam certas operações, então nem todo mundo pode postar, só ler ou rascunhar. A memória tem dois níveis, global e por usuário, e o agente decide em qual guardar cada fato. A própria LangChain diz que essa é a área menos explorada. O código roda em sandbox: o agente fica fora, conecta e executa lá dentro, usando o secret proxy do LangSmith Sandboxes. Tudo roda sobre o Managed Deep Agents, que fica em cima do harness open source Deep Agents.

A cobertura anterior do CEVIU trata o harness de forma conceitual. Em 7 de abril de 2026, "A Anatomia de um Agent Harness" descrevia o harness como a infraestrutura que transforma um LLM em agente, com memória em camadas. Em 4 de maio de 2026, "O Agent Harness Pertence Fora do Sandbox" discutia as implicações de segurança de rodar o loop dentro ou fora do sandbox. Agora a LangChain mostra um caso concreto: o harness fica fora do sandbox e conecta a ele. Em 14 de abril de 2026, "Construa Agentes de IA que Nunca Esquecem" tratava a memória estruturada como requisito, e o texto atual admite que ela ainda é a peça menos resolvida.

Para quem constrói agentes internos, a leitura é que o difícil não é o modelo, e sim a identidade e as permissões por ferramenta. Separar o que age em nome do usuário, o que usa credencial fixa e o que fica restrito a DMs parece um bom ponto de partida de projeto. Quem for tratar memória deve esperar pouca referência pronta.