LangChain показала GTM-агента: Deep Agents, апрув в Slack и память на правках

LangChain описала продакшн GTM-агента на Deep Agents: новый лид в Salesforce запускает проверки, ресёрч и черновик письма в Slack , без явного апрува репа ничего не уходит. С декабря 2025 по март 2026 конверсия lead-to-qualified-opportunity выросла на 250%. Раньше один outbound , пятнадцать минут между CRM, Gong, LinkedIn и сайтом компании, и всё равно неясно, писал ли вчера кто-то из команды. Агент сначала ищет причины молчать: свежий support-тикет или недавний контакт от тиммейта. Если всё чисто , тянет историю из Salesforce и Gong, при нехватке данных добирает контекст через Exa и кладёт в Slack черновик с обоснованием и источниками. Два контура Inbound lead processing , персонализация под статус аккаунта: клиент, тёплый или холодный контакт; кнопки send, edit, cancel. Account intelligence , по понедельникам сводка по 50, 100 аккаунтам на репа: usage из BigQuery, сигналы с рынка, риски сделок, кому писать дальше. Для silver-лидов завели SLA 48 часов: без approve или decline черновик уходит сам , follow-up по низкоинтентным лидам вырос на 97%. Каждый реп вернул себе 40 часов в месяц; pipeline за тот же период , втрое при тех же ресурсах. Как устроена оркестрация Deep Agents держит длинную цепочку: крупные ответы инструментов уходят во внутренний виртуальный файловый слой, шаги зафиксированы чеклистом , проверки, ресёрч, черновик, обоснование, follow-up. Parent-агент порождает субагентов параллельно: sales research с Apollo, Exa и BigQuery, deployed engineer с Salesforce, Gong и support-тулами. Когда реп правит черновик в Slack, система сравнивает версии и сохраняет наблюдения о стиле в PostgreSQL , отдельный ключ на каждого человека, еженедельный cron сжимает память. Сценарии прогнали в LangSmith до продакшна: rule-based проверки порядка тулов и LLM-судья на тон , в CI; каждое действие в Slack привязано к trace, чтобы ловить регрессии при смене промптов. Источник: How we built LangChain's GTM Agent .