LangChain 發布 Deep Agents：五種技術解決代理上下文腐化

背景

在代理（Agent）工程領域，隨著任務變長，代理累積的指令、工具結果與檔案等資訊會超出模型的上下文窗口（Context Window，模型一次能處理的資料量上限），導致準確率與推理能力下降，這種現象被稱為「上下文腐化」（context rot）。LangChain 開發了開源代理框架 Deep Agents，旨在透過將上下文移出活躍窗口（active window）來解決此問題。 官方原文・LangChain Blog

發生什麼事

LangChain 於 2026 年 10 月 24 日發布部落格文章，介紹其開源框架 Deep Agents 如何運用五種技術來管理上下文。這些技術包括離載（Offloading）、摘要（Summarization）、技能（Skills）、子代理（Subagents）以及長期記憶（Long-term memory）。Deep Agents 透過中間件（Middleware，插入代理執行循環特定節點的程式碼）將這些技術注入代理運行中，讓主代理僅攜帶必要資訊。 官方原文・LangChain Blog

重點內容

離載機制會將超過約 20,000 tokens（詞元，模型處理文字的基本單位）的工具結果寫入檔案系統，模型僅看到預覽與路徑；超過 50,000 tokens 的用戶訊息則存入對話歷史。摘要機制在上下文使用率達到 85% 時觸發，將舊訊息壓縮為摘要並保留近期訊息，被摘要的內容可從檔案中恢復。 官方原文・LangChain Blog

技能機制採用漸進式揭露（progressive disclosure），代理預設僅載入技能描述，僅在判斷相關時才讀取完整指令，減少不必要的上下文佔用。子代理機制讓嘈雜的任務（如大量搜尋）在獨立的上下文窗口中執行，主代理僅接收最終結果，這允許子任務使用較便宜的模型並行運行。長期記憶則以 Markdown 檔案形式儲存學習內容，跨對話持久化。 官方原文・LangChain Blog

Deep Agents 是供應商無關（provider agnostic）的架構，記憶儲存在用戶控制的儲存空間中而非供應商端。這意味著開發者可以切換不同的模型或供應商（例如從一個模型切換到 openai:gpt-6），同時保留代理已學習的記憶與偏好設定。 官方原文・LangChain Blog

對使用者的意義

開發者可以使用 Deep Agents 構建長任務代理，避免上下文腐化導致的效能下降。透過 uv add deepagents 即可安裝使用。該框架允許開發者自定義中間件行為，例如調整摘要觸發閾值或技能載入邏輯，適合需要處理大量資料、多步驟推理且需跨會話保持記憶的應用場景。 官方原文・LangChain Blog

限制與未定事項

來源指出，雖然大部分功能內建無需編寫中間件，但若需自定義特定行為仍需開發者介入。此外，摘要與離載的閾值（如 20,000 tokens、85% 使用率）雖有預設值，但適合某一任務的參數未必適合所有任務，開發者需根據具體場景進行調整。 官方原文・LangChain Blog