专题：deep-agents

本文提出了一套针对深度代理的评估体系构建方法，强调通过针对性评估优化代理行为。涵盖多个测试类别和指标，如正确性、效率等，并通过开源实现促进社区协作。核心亮点在于评估与实际生产需求的紧密对齐，以及对模型性能的全面度量。

Moonshot提出注意力残差机制，提升计算效率并降低延迟；Codex用户增长显著，新增子代理功能并优化知识转移；LangChain开源Deep Agents框架，支持复杂编码代理流程。三者均涉及AI模型架构、训练效率及开发工具的创新。

LangChain Deep Agents 新增自主上下文压缩功能，允许模型在合适时机自动压缩上下文窗口，优化工作内存管理。该工具适用于任务边界、信息提取、复杂流程等场景，通过保留关键信息并摘要历史内容，减少上下文老化问题。已在 CLI 和 SDK 中实现，为开发者提供更灵活的上下文控制。

LangChain构建了GTM Agent，实现销售流程自动化，整合多工具数据，提升转化率和效率。核心亮点包括多源信息整合、子Agent委托机制、反馈循环与评估系统，以及跨部门的自然采用。

LangChain 2026年2月更新聚焦于Agent Builder新功能、LangSmith性能优化及生产监控方法，同时展示了开源进展与行业应用案例，为AI Agent开发和部署提供了实用工具与实践经验。

LangSmith Agent Builder 通过文件化的虚拟文件系统实现了程序性和语义记忆，使得零代码代理能够在重复任务中持续学习并自动更新指令。文章详细阐述了记忆文件的组织、实现细节、实际案例以及开发过程中的关键经验，并展望了情景记忆和语义检索的未来方向。

LangChain 通过系统化的“工具箱工程”，在 Terminal Bench 2.0 基准上将 deepagents‑cli 代理的得分从 52.8 提升至 66.5，排名跃升至第 5 位。核心做法包括重写系统提示、精炼工具链、增强中间件并加入自动化追踪分析与自我验证循环，同时合理分配推理预算。实验表明，闭环优化显著提升了代码质量和任务完成率，为 LL…

LangChain的Deep Agents SDK旨在解决AI代理在处理长任务时面临的上下文窗口限制和信息丢失问题。该SDK通过文件系统抽象层，实现了三种核心上下文压缩机制：卸载大型工具结果、卸载大型工具输入以及对话总结。当上下文大小超出预设阈值时，系统会将冗余或过时信息（如工具响应、旧输入记录、完整对话）保存到文件系统，仅在工作内存中保留关键摘要或文件引…

Deep Agents 框架提供了一种构建高效多智能体应用的新范式，核心在于子代理（Subagents）和技能（Skills）两大机制。子代理通过将复杂任务分解并隔离上下文，有效解决了大型语言模型在多步骤任务中常见的“上下文膨胀”问题，避免智能体陷入“哑区”，并支持并行处理与异构模型集成。技能机制则允许系统按需逐步向智能体披露所需功能，实现灵活的功能管理。…