LangChain 发布开源 harness Deep Agents，用于解决 Agent 长任务中的「上下文腐烂」问题——历史、噪音和工具输出越多，模型准确率和推理能力越差。Deep Agents 通过五种方式把上下文移出活跃窗口：Offloading 将大工具结果和用户消息存入文件系统只给模型预览；Summarization 在接近上下文上限时压缩旧消息；Skills 按需加载任务知识；Subagents 在独立上下文窗口处理噪音任务只回传结果；Long-term memory 将学到的内容存入文件供下次对话使…
推荐理由做长任务 Agent 的开发者可直接参考这五种上下文管理模式的实现思路
LangChain 把文档中内联代码示例迁移为可测试的独立文件，整个迁移工作交给 Deep Agents CLI 完成，无需人工编码。做法是编写一份 Skill 指令，让 Agent 按步骤执行：把代码移到 src/code-samples/{product} 目录、补充 setup 和 teardown、用配置好的 linter 检查、用 :snippet-start: 和 :snippet-end: 标记代码片段、运行示例测试、再根据标记生成片段嵌入文档。之后通过 GitHub Action 在 CI 中定期运…
推荐理由文档代码示例失效是通病，这套 Skill + CI 流程可直接照搬，把迁移交给 Agent 做
LangChain 为开源 Agent 框架 Deep Agents SDK 引入上下文压缩机制，应对长任务超出模型上下文窗口的问题。方案包含三种技术：工具返回结果超过 20000 token 时转存文件系统，仅保留文件路径和前 10 行预览；当上下文达到模型窗口 85% 时，将旧的写入/编辑类工具调用参数转存为文件指针；空间仍不足时对消息历史做结构化摘要。SDK 通过 LangChain 的模型配置获取各模型的 token 阈值，按比例触发压缩。
推荐理由做长任务 Agent 的开发者可直接参考：20000 token 转存、85% 阈值这两个具体参数能照搬
LangChain 发布博客，介绍如何用 ScaleDown 的受限解码模型配合 LangChain 与 Deep Agents 构建长时间运行的 Agent。方案用于摘要历史记录、压缩工具调用结果，并更快、更便宜地提取数据。原文信息有限，未给出具体性能与成本数字。
推荐理由做长时 Agent 的可以看这套历史摘要+工具结果压缩的组合思路
LangChain 为 Deep Agents 重构了 Skills 支持，解决企业技能库扩展到数千个后的三个问题：工具绑定技能（工具只在 Agent 读取该技能时才加载）、固定技能（用户用 /meeting-prep 等显式请求时可在下次模型调用前预加载）、技能重载（长线程无需重启即可获取新增或变更的技能）。技能采用 SKILL.md 加 YAML frontmatter 的开放标准，按发现、激活、执行三级渐进披露，未使用的技能仅占系统提示词一行。文中以 GTM Agent 的 50 多个技能为例。
推荐理由做 Agent 上下文工程的可直接抄：技能三级加载 + 工具按需绑定，技能库上千也不挤爆上下文