LangChain در ۷ اکتبر نحوه مدیریت skillها در Deep Agents را تغییر داد. سه قابلیت جدید اضافه شده است: اتصال ابزارها به skill، فعال‌کردن skill مشخص پیش از فراخوانی مدل و تازه‌سازی فهرست skillها در یک گفتگوی موجود. به گفته شرکت، همه این امکانات در نسخه جدید بسته deepagents در دسترس‌اند و شیوه ورود دستورالعمل‌ها و ابزارها به context را تغییر می‌دهند.
هر skill یک پوشه با فایل SKILL.md و در صورت نیاز اسکریپت، مرجع و فایل کمکی است. agent در ابتدا فقط نام و توضیح کوتاه skill را می‌بیند و هنگام نیاز دستورالعمل کامل را می‌خواند. این روش progressive disclosure حجم context را کاهش می‌دهد، اما پیش‌تر ابزار و دستورالعمل استفاده از آن می‌توانستند جداگانه کشف شوند. در نتیجه agent گاهی ابزار را پیش از خواندن راهنمای آن فراخوانی می‌کرد.
قابلیت جدید این مشکل را با metadata.include_tools و SkillsMiddleware برطرف می‌کند. ابزار وابسته تا زمانی که agent مهارت مربوط را نخوانده باشد در دسترس قرار نمی‌گیرد. در مدل‌هایی که افزودن ابزار وسط گفتگو را پشتیبانی می‌کنند، LangChain می‌گوید می‌توان بخش قبلی prompt cache را حفظ کرد. در مدل‌های دیگر همچنان باید فهرست ابزارهای درخواست به‌روزرسانی شود. توسعه‌دهنده می‌تواند گروه ابزارها را به‌صورت پویا حل کند و پیش از نمایش آن‌ها مجوز کاربر را بررسی کند.
Pinned skills برای زمانی است که برنامه از قبل می‌داند کاربر چه مهارتی می‌خواهد. با پارامتر pinned_skills، دستورالعمل پیش از فراخوانی بعدی مدل وارد context می‌شود و یک رفت‌وبرگشت اضافه حذف خواهد شد. البته خود برنامه باید درخواست کاربر را تفسیر و skill مناسب را انتخاب کند؛ Deep Agents این بخش را خودکار انجام نمی‌دهد.
در threadهای طولانی، تنظیم skills_metadata روی None باعث بررسی دوباره منابع skill می‌شود. بنابراین اضافه‌شدن، تغییر یا حذف مهارت بدون ساخت گفتگوی تازه قابل اعمال است. اگر system prompt تغییر کند، cache ممکن است باطل شود و این هزینه باید در طراحی لحاظ شود. شرکت می‌گوید در گفتگوهای غیرفعال، cache معمولاً از قبل سرد شده است.
این تغییر برای سامانه‌هایی با صدها یا هزاران skill اهمیت دارد، چون لازم نیست همه ابزارها و دستورالعمل‌ها از ابتدا بارگذاری شوند. خبر درباره معماری agent است، نه مدل زبانی تازه. مستندات پیاده‌سازی منتشر شده‌اند، اما benchmark مستقلی درباره بهبود دقت، latency یا هزینه ارائه نشده و هر تیم باید مجوزها و رفتار cache را در محیط خودش آزمایش کند.