Agent 工作流构建：Skills + Interpreters 实践
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
4 篇Deep Agents 新功能：为 AI 代理添加解释器
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。
Production Deep Agents 运行时指南：弹性执行、内存与多租户
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。
AI 智能体的持续学习：模型、控制层与上下文
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。