LangChain 发文讨论 AI Agent 的上下文工程，指出检索是核心难点。文章归纳 Agent 检索的三类问题：低效搜索（反复打开文件、重写查询，浪费 token 和时间）、单次返回过多上下文（一次搜索塞满窗口，没空间做正事）、无关或过时信息（模型难辨真假，错误会沿后续步骤传递）。文章以竞品分析 Agent 为例，说明 agent harness 应针对不同检索任务选用合适工具，并介绍 Deep Agents harness 的内置技巧。原文为博客开头部分，具体技术方案未完整呈现。
推荐理由做 Agent 检索和上下文管理的人可对照三类失败模式检查自己的 harness 设计
LangChain 发布 Deep Agents deploy 测试版，一条命令即可部署开源、模型无关的 agent harness。支持 OpenAI、Google、Anthropic、Azure、Bedrock、Ollama 等任意模型，通过 AGENTS.md 定义指令、skills 定义技能、mcp.json 接入工具，沙箱可选 Daytona、Runloop、Modal 或 LangSmith。底层打包 LangSmith Deployment 服务器，提供 30 多个端点，覆盖 MCP、A2A、Agen…
推荐理由想自托管 agent 又不想被厂商锁定，可一条命令部署，支持任意模型和沙箱。
LangChain 发布 Managed Deep Agents v0.9，新增三项能力：Schedules SDK 让 Agent 在对话中自行创建提醒、跟进和周期性任务，按创建者的权限运行并把结果发回原频道，支持 cron 表达式和一次性任务；Agent 可按每次运行动态配置，通过返回 define_deep_agent 定义来选择模型、指令、技能、MCP 服务器和沙箱，一个部署即可服务不同团队；还支持对 Slack 消息做出反应。
推荐理由想让 Agent 常驻 Slack 并自己安排跟进任务的团队，可以直接用 Schedules SDK 按 cron…