LangChain 谈主动式 Agent:超七成运行靠日程触发,关键是记忆与评审体验
LangChain 团队成员 Sydney Runkle 总结了构建主动式 Agent 的实践经验:以内部 GTM 销售Agent 和工程Agent Robin(前身 Open SWE)为例,两者均基于 Managed Deep Agents 构建,超过 70% 的运行由日程触发而非人工输入。触发来源分三类:现实事件、开发者设定日程、以及 Agent 自行创建的日程(如次日跟进、每日简报)。 文中将「主动」拆成两项能力:一是没有新提示时仍能持续推进数天、数周的目标,靠事件与日程解决;二是少占用人的注意力,靠记忆与评审体验解决。记忆分三类来源——已有资料、当下反馈、行动结果,并通过「dreaming」后台任务定期回看执行记录、清理过期与矛盾信息;衡量标准是草稿获批速度、邮件回复率等业务指标,而非存储量。 评审体验上有三个具体设计:GTM Agent 把对话分为待人工处理、需起草回复、无需回复三档;为邮件草稿做专门评审界面而非在 Slack 逐条处理;每日简报回到同一线程,PR 审查附一行摘要、改动规模和认领按钮。对正在搭建长期运行 Agent 的开发者来说,这套经验把「自主性」从减少确认步骤,重新定义为让每次问询更准、每次评审更轻。
Current read
LangChain 用自家销售 Agent 和工程 Agent Robin 跑出来的实战经验:70% 运行靠日程触发,记忆靠后台「dreaming」定期整理,评审界面专门设计而不是塞进 Slack。做长周期 Agent 的开发者该看看,比单纯堆模型能力的文章落地得多。
Evidence
5 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.