LangChain 發布 Deep Agents 代理記憶檢索指南

背景

AI 代理（能自主執行任務的軟體系統）運作時受限于有限的上下文窗口（模型一次能處理的資訊量上限）。當代理需要從大量資料中尋找特定資訊時，常面臨搜尋效率低、一次載入過多內容導致窗口飽和、以及檢索到過時或不相關資訊等問題。LangChain 發布此文章旨在說明如何透過「上下文工程」優化代理的記憶與檢索機制，並以 Deep Agents（LangChain 開發的一套代理執行框架）為例展示具體實現方式。 官方原文・LangChain Blog

發生什麼事

LangChain 於 2026 年 10 月 23 日發布部落格文章，詳細闡述了 AI 代理在檢索資訊時面臨的挑戰與解決方案。文章指出，代理在搜尋時常因重複嘗試或載入完整檔案而浪費資源，導致上下文窗口被無效資訊填滿。為此，LangChain 提出了一套基於 Deep Agents 框架的檢索策略，強調應優先使用高效能的檔案系統工具，並透過子代理（subagent）過濾雜訊，確保主代理僅接收關鍵結論。 官方原文・LangChain Blog

重點內容

針對搜尋效率問題，Deep Agents 內建了 glob（依名稱模式尋找檔案）與 grep（在檔案中搜尋特定文字行）工具。這些工具允許代理在不將整個檔案載入上下文窗口的情况下進行初步篩選。例如，使用 glob 可快速定位特定公司的筆記檔案，而 grep 則能直接找出包含關鍵詞的行數，避免代理逐一開啟檔案查看內容。此外，框架預設支援「代理式檢索」（agentic retrieval），讓代理能根據任務進度動態決定何時搜尋、搜尋什麼，而非僅在開始時執行一次檢索。 官方原文・LangChain Blog

為解決一次返回過多資訊的問題，Deep Agents 引入了「卸載」（offload）機制。當工具結果超過約 20,000 tokens（詞元，模型處理文字的基本單位）時，框架會自動將完整結果儲存至 /large_tool_results/ 路徑下的檔案，並僅向代理返回檔案路徑與簡短預覽。代理隨後可使用 read_file 工具，透過設定偏移量（offset）與限制（limit）參數，僅讀取所需的特定行數。對於自訂的檢索工具（如 RAG 系統），建議採用「檢索、卸載、委派」模式：將結果寫入檔案並返回路徑，讓子代理負責閱讀與摘要，主代理則只接收過濾後的關鍵事實。 官方原文・LangChain Blog

針對不相關或過時資訊，文章建議使用子代理進行過濾。子代理擁有獨立的上下文窗口，可閱讀原始檢索結果並僅返回與任務相關的關鍵事實及來源 URL，從而避免雜訊污染主代理的上下文。此外，為了確保資訊時效性，建議結合搜尋 API 或 MCP（Model Context Protocol，模型上下文協議）伺服器獲取即時資料，並在檢索工具中加入日期過濾功能。文章也提醒開發者，檢索到的文字應視為不可信資料，需驗證輸出是否引用了預期來源，以防提示注入攻擊。 官方原文・LangChain Blog

對使用者的意義

此指南主要面向使用 LangChain 生態系的開發者與企業技術團隊。透過採用 Deep Agents 框架內建的檔案系統工具與卸載機制，開發者可讓代理僅載入必要的資訊，避免上下文窗口被無效搜尋結果或過大檔案填滿。開發者可透過 uv add deepagents 指令安裝相關套件，並參考文章提供的程式碼範例（如 search_news 工具與 chunk_analyst 子代理定義）來構建更高效的代理系統。 官方原文・LangChain Blog

限制與未定事項

文章指出，雖然子代理過濾能有效排除不相關內容，但無法解決資料源本身過時的問題，需依賴外部即時資料源。此外，檢索到的文字可能包含提示注入攻擊，目前的提示詞或分隔符策略無法完全防止此風險，開發者必須自行驗證輸出內容的準確性與來源一致性。 官方原文・LangChain Blog