智能体部署

Agent Development Kit (ADK)：用 Python 构建、评估与部署 AI Agent 的代码优先框架

google/adk-python · An open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.

Agent Development Kit（ADK）是 Google 开源、代码优先的 Python 框架，用于以软件工程方式构建、评估和部署 AI Agent。它提供基于图的 Workflow 运行时（支持路由、扇出/扇入、循环、重试、状态管理、动态节点、人在环路和嵌套工作流）、结构化任务 API（多轮任务模式与单轮受控输出）、模块化多 Agent 组合、丰富的工具生态（预置工具、自定义函数、OpenAPI 规范、MCP 工具）、工具确认流程（HITL），并支持容器化部署到 Cloud Run 或 Vertex AI Agent Engine。框架针对 Gemini 优化，但模型无关、部署无关，也可通过 Agent Config 免代码构建 Agent，并配有开发 UI 用于测试、评估与调试。

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。