LangChain 分享了其付费媒体 Agent 的构建经验。该 Agent 运行在 Slack 中，每周整合广告平台数据与业务管道数据，自动生成分析报告并提出优化建议。核心设计理念是将 Agent 视为知识工作者：为其提供配备沙箱、软件、业务文档的工作空间；用代码处理计算和规则以保证一致性，用模型专注判断与建议；围绕完整工作流设计，包括提案、人工审批与验证环节。借助 Deep Agents 作为 Agent harness 和 LangSmith 沙箱，六个月内付费媒体贡献了 20% 的营销管道，CPL 下降 30%，报告工作流成本降低 40 倍、速度提升 13 倍。项目已开源。
本文介绍 LangChain Deep Agents 中的多智能体上下文管理机制。大多数 harness 支持子代理功能，监督者代理委派任务给子代理以实现并行推理和上下文隔离，但隔离的子代理可能重复收集监督者已有的上下文。为此 Deep Agents 引入上下文模式（context modes）：isolated（隔离模式）子代理以全新上下文启动，仅接收任务描述；fork（分叉模式）子代理继承监督者的完整对话历史，借助 prompt caching 更快更省。文章给出选择原则：worker 类代理（延续监督者已完成诊断的工作）适合 fork 模式，verifier 类代理（独立评审代码）适合 isolated 模式以避免锚定偏差，researcher 类代理处理独立问题时用 isolated 更利于并行。上下文模式与工具、中间件一样，是特化子代理的重要手段。
LangChain 开源了代码库文档生成与维护的 agent——OpenWiki，并构建了 WikiBench 来回答两个问题：wiki 是否真正帮助编码 agent？对 OpenWiki 的改动是否让它变得更好？WikiBench 基于 Harbor 框架运行，环境为固定 commit 的仓库，agent 生成 wiki，verifier 通过 reader agent 回答覆盖类和检索类问题，并用多个 LLM judge 基于事实 rubric 打分。实验显示：不同 harness 和模型在性能、成本和时间上差异显著；wiki 与源码结合使用效果最佳，wiki 更像索引而非替代品，可让 agent 回答更准确且成本更低。
作者回顾了AI智能体的发展历程，指出随着运行环境和MCP等标准的成熟，“托管智能体”正成为下一个重大趋势。为解决开发者在生产环境中部署智能体时面临的运行时、沙盒、内存和身份验证等复杂基础设施挑战，LangChain正式推出了面向开发者的“Managed Deep Agents”。该服务将智能体框架与底层基础设施打包在一起，大幅降低了构建和部署生产级智能体的难度。
本文对比了构建AI智能体的三个开源框架层级：Deep Agents、LangChain和LangGraph。它们提供不同层级的控制力与抽象程度：Deep Agents是开箱即用的智能体套件，专注于最佳上下文工程实践；LangChain是高度可定制的智能体核心抽象与集成框架；LangGraph则是基于图的底层运行时，适用于混合确定性与动态步骤的复杂工作流。三者完全可组合，开发者可在自主性与确定性之间灵活平衡。
本文介绍了“解释器技能”的概念，这是对 Agent 技能的扩展，允许在技能中包含 TypeScript 模块。Agent 可以在行为适用时导入并运行这些代码，就像执行工作流一样。这种机制结合了 SKILL.md 的指令逻辑和解释器的代码执行能力，使 Agent 能够处理更复杂的任务，如生成子代理、调用工具，并确保关键流程的确定性和可复用性。
Deep Agents 推出了嵌入式解释器功能，允许 AI 在循环内编写和执行代码。它介于单次工具调用和完整沙箱之间，提供了受限的运行时环境。通过显式桥接外部能力，它能更安全、可预测地处理中间状态和复杂逻辑，提升代理的上下文管理能力。
本文探讨了将长运行周期的 Deep Agents 部署到生产环境所需的运行时基础设施。文章指出，除了 Agent 的 Harness（提示词、工具）外，更关键的是底层的 Runtime，它提供了弹性执行、持久化内存、多租户隔离、人在回路（HITL）和可观测性。文章详细介绍了如何通过检查点机制实现故障恢复与状态恢复，区分了短期与长期内存的存储策略，并阐述了在 Agent Server 中实现数据隔离与鉴权的多租户方案。
文章探讨了 AI 智能体的持续学习机制，将其分为三个层次：模型权重的更新、Harness 控制层的优化以及 Context 上下文层的记忆与配置。作者指出，虽然大多数讨论集中在模型层的微调（如 SFT）及其带来的灾难性遗忘问题上，但工程实践中 Harness 代码和 Context 技能（如 SOUL.md）的迭代往往更为灵活高效。文章最后以 LangSmith 和 Deep Agents 为例，强调了 Trace（追踪日志）在驱动所有层级进化中的核心作用。
