LangChain 发文介绍 Deep Agents 用五种方法管理长任务智能体上下文
LangChain（美国智能体开发框架公司）发布技术文章，介绍其开源智能体框架 Deep Agents 用五种机制缓解长任务中的“上下文腐化”：把大体积工具结果和用户消息写入文件、超阈值时压缩历史、按需加载任务技能、用子智能体隔离杂乱工作、把长期记忆存为纯文件。
文章称记忆存放在使用者自控的存储中，更换模型或供应商后仍可延续，文中阈值属该公司默认配置。
文章由 LangChain 的 Jess Weng 于 2026 年 10 月 14 日发布。 文中定义“上下文腐化”（context rot）：长任务智能体累积的指令、工具结果和文件超出模型上下文窗口后，准确率和推理表现趋于下降。
Deep Agents 被描述为 LangChain 的开源智能体框架（harness，包裹模型的运行框架），通过中间件（middleware，接入智能体循环特定节点的代码）在运行前后、每次模型调用或工具调用前后读取并改写上下文。
具体机制：工具结果超过约 2 万 token 时写入 /large_tool_results/{tool_call_id}，模型只看到首尾几行预览和文件路径； 过大用户消息以约 5 万 token 为阈值存入 /conversation_history/；
每次模型调用前检查用量，超过上下文窗口 85% 时由另一次 LLM（大语言模型）调用把较早消息压缩为摘要，原消息写入 /conversation_history/{session_id}.md 供回读； 技能以文件夹存放，启动时只读 SKILL.md 头部，模型判断相关后再用 read_file 读取全文；
子智能体在自己的上下文窗口完成调研，只向主智能体返回结果； 长期记忆是一个 markdown 文件，每次调用注入系统提示，智能体可更新该文件。 文中示例以“openai:gpt-6”更换模型并沿用同一记忆文件。
这篇文章把“上下文工程”拆成可操作的工程模式，而非提出新的模型能力。 大结果卸载、历史摘要、技能分层加载、子智能体隔离，本质上都是在有限上下文窗口内做信息调度。 把记忆存为普通文件并绑定使用者自有存储，意味着智能体的“经验”与具体模型供应商解耦，对多模型切换场景有实际意义。
但文中 2 万、5 万 token 阈值和 85% 触发线来自该公司默认配置，是否适用于其他任务缺少对照数据； 摘要本身依赖另一次模型调用，压缩可能丢失细节，文章只说明原文可回读，未评估压缩质量。
后续观察信号
- LangChain 关于检索的配套文章是否提供可核验的评测数据
- 同类智能体框架是否采用文件式记忆与子智能体隔离的类似设计