Deep Agents

AI 智能体的上下文工程（智能体记忆）始于检索

LangChain 的 Deep Agents 框架介绍了让智能体更高效检索信息的方法。原来智能体有三类问题：搜索方式笨拙，反复打开文件或用不同措辞重复搜索，白白消耗时间和上下文；一次搜索塞进太多内容，把上下文窗口占满；以及拿到过时或不相关的信息，还可能在此基础上继续出错。它的做法是：默认使用 glob 按文件名查找、grep 搜索文件内关键词、read_file 逐页读取，不整份加载文件；结果太大时，把完整结果存成文件，只把路径和摘要交给智能体；自定义检索（如 RAG）则先检索、再存文件、由子智能体去读，主智能体只看相关内容。这样智能体能更快找到对的资料，减少无效搜索和上下文浪费。文中还提到 ls、write_file、edit_file 等内置工具，以及向量库、SQL、搜索 API、MCP 服务器等检索数据源；具体效果数据文中未说明。

deepagentsjs：开箱即用的 TypeScript 智能体框架

langchain-ai/deepagentsjs · The batteries included agent harness.

Deep Agents 是一个内置完整能力的智能体框架（agent harness），以 TypeScript 包 deepagents 形式发布。它把提示词、工具与上下文管理预先封装好，安装后即可运行一个可用的智能体，并按需定制。内置能力包括：用 write_todos 做任务拆解与进度跟踪的规划能力；read_file、write_file、edit_file、ls、glob、grep 等文件系统工具作为工作记忆；通过 task 派发子智能体以隔离上下文窗口；以及让这些工具开箱可用的默认提示词与中间件。框架与模型供应商无关，可配合支持工具调用的聊天模型使用；createDeepAgent 返回编译好的 LangGraph 图，因此可用流式、Studio、checkpointer 等 LangGraph 特性。支持通过传入 model、tools、systemPrompt 进行定制，并提供 deepagents、deepagents/browser、deepagents/node 等运行时入口。

Deep Agents：开箱即用的 Agent 运行框架（harness）

langchain-ai/deepagents · The batteries-included agent harness.

Deep Agents 是 LangChain 团队开源的一套「电池内置」型 Agent 运行框架（harness），提供开箱即用的智能体实现，同时允许对任意组件进行扩展、覆盖或替换。其设计面向长周期、多步骤任务，支持任何具备工具调用能力的模型（前沿闭源、开放权重或本地模型均可），并基于 LangGraph 构建，具备流式输出、持久化与检查点等能力，可通过 LangSmith 进行追踪、评测与部署。核心特性包括子智能体（隔离上下文窗口的任务委派）、文件系统读写编辑与搜索（可插拔本地/沙箱/远程后端）、上下文管理（长对话摘要、工具输出落盘）、Shell 访问、持久记忆、人工介入（工具调用前审批/编辑/拒绝）、按需加载的技能（Skills）以及自带函数或任意 MCP 服务器的工具集成。项目还提供 JS/TS 版本 deepagents.js 以及终端编码智能体 Deep Agents Code。

用 ScaleDown 与 Deep Agents 构建长时间运行的智能体

LangChain 把 ScaleDown 的专用小模型接进了 Deep Agents 和 LangChain 智能体框架里。原来长时间运行的智能体上下文会越堆越满，而用通用大模型去摘要历史、压缩工具结果又慢又贵。现在换成专门做单一任务的 ScaleDown 模型（摘要、压缩、抽取、分类），官方称这些窄任务上比前沿模型快 200 倍、便宜 467 倍，单次最多能读 100 万 token，还能直接处理图片和扫描 PDF。做智能体的开发者可以借此降低每次决策的成本和延迟，也可通过 LangSmith LLM Gateway 追踪调用和用量。

通过 harness 工程改进 Deep Agents

LangChain 给自家的编程智能体 Deep Agents CLI 换了一套围绕模型的“外骨架”（系统提示、工具和中间件），用来引导模型的能力。原来的做法缺少测试和验证，智能体常写完代码、自己看一遍就停下，导致成绩只有 52.8 分，排在 Terminal Bench 2.0 榜单 30 名开外。这次他们加了强制自检清单、注入目录与工具环境信息、以及时间预算提醒，还用追踪数据自动分析失败原因，成绩提升 13.7 分到 66.5 分，进入前五。对读者的意义是：不改模型本身，靠工程化外围设计也能明显提升智能体表现；不过其追踪分析技能尚未发布，仍在测试中。

Deep Agents 的上下文管理机制

LangChain 团队开源的 Deep Agents SDK 是一个帮开发者搭建 AI 智能体的工具包，这类智能体可以自己规划任务、派生子智能体、读写文件，去完成耗时很长的工作。问题是任务一长，对话内容就会超出模型能记住的容量，导致 AI「忘事」、表现变差。为此它用三招省内存：工具返回内容超过 2 万 token 就存到文件系统里，只留一个路径和前 10 行预览；上下文用到 85% 时，把旧的写文件操作替换成文件路径，不再重复占位置；再不够就把整段对话压缩成一份摘要，同时把原始记录完整存进文件系统，需要时再查回来。这样开发者能让 AI 长时间干活而不容易「失忆」。

开源模型已跨过临界点

LangChain 团队用 Deep Agents 测试框架跑了一批开放权重模型，发现 GLM-5 和 MiniMax M2.7 在文件操作、工具调用、指令遵循这些智能体核心任务上，已经和 Claude Opus 4.6、GPT-5.4 等闭源顶级模型打得差不多。过去用闭源大模型跑智能体，又贵又慢：每天输出 1000 万 token，Opus 4.6 大约要 250 美元，MiniMax M2.7 只要约 12 美元，一年差出近 8.7 万美元。开源模型还能跑在 Groq、Baseten 这类专门优化的推理服务上，延迟和吞吐都更好。不过这还只是早期评测结果，团队正在继续扩充测试集；普通用户暂时用不上，主要意义是给要做智能体产品的开发者一个更便宜、更快的选择。

Deep Agents Deploy：Claude Managed Agents 的开源替代方案

LangChain 今天发布了 Deep Agents Deploy 的测试版，它能让开发者用一条命令把自定义 AI 智能体部署到生产环境。此前，部署一个智能体需要自己搭建可扩展的服务器、为每次会话创建沙箱、再接通各种接口，步骤繁琐。这次它把这些打包成 `deepagents deploy`，你只需指定模型、指令文件、技能和工具配置即可上线，而且底层用的是开源、不绑定任何模型厂商的框架，所以智能体的记忆存在你自己的数据库里，换模型或换平台时不用从零开始。目前是 beta 测试版，记忆格式用 AGENTS.md 等标准文件保存，支持通过 API 直接查询。

我们如何构建 LangChain 的付费媒体 Agent

LangChain 的营销团队原本主要靠开源、内容、YouTube 和社区自然增长，今年开始投付费广告，半年内扩展到五个渠道，小团队很难同时跟踪各平台的广告数据、效果和实验。于是他们做了一个常驻 Slack 的付费媒体 Agent：每周一把广告平台数据与仓库里的线索、销售管道数据合并，输出各渠道的总结和 PDF 报告，还能在对话中回答追问，并基于团队经验提出关键词、定向、文案或新广告系列建议，经人工审批后才执行。他们用 Deep Agents 做 Agent 运行框架，用沙箱环境跑代码和做分析，原则是让模型负责判断、让代码负责计算，结果报告流程成本降低约 40 倍、速度快 13 倍。该项目已开源，可作为自建类似 Agent 的起点。