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 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。
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。
LangChain 谈主动式 Agent:超七成运行靠日程,关键是记忆与人的注意力 @LangChain 团队 @sydneyrunkle 总结了团队构建主动式 Agent 的经验:当 Agent 开始在后台推进持续数天、数周的目标,瓶颈不再只是模型能不能完成任务,而转为人有没有时间处理它不断送来的问题和结果。 以内部的销售 Agent 和工程 Agent Robin 为例,提出两个核心:用记忆提高判断质量,用交互设计减少人的评审负担。 langchain.com/blog/what-weve… # 主动不是不断发消息,是不必每次等指令 主动式 Agent 有三类触发来源:现实事件,例如新邮件、新 PR;开发者设定的日程,例如夜间整理记忆、每周清理陈旧 PR;以及 Agent 根据任务自行创建的日程,例如第二天跟进,或按用户要求建立每日简报。 LangChain 的 GTM Agent 负责跟进销售线索、处理回复和起草邮件;Robin 的前身是 Open SWE,负责起草和审查 PR。两者都基于 Managed Deep Agents 构建。团队介绍,超过 70% 的运行由日程触发,而不是人临时输入提示。 这个数字反映的变化是:Agent 不再只围绕一轮对话工作,而是通过事件和日程持续推进已有目标。 # 记忆不只是记录历史,更要帮助判断什么值得处理 Agent 被事件或日程唤醒时,往往没有新的人工说明。连接器可以提供最新邮件和项目状态,但用户的偏好、此前的纠正和合作习惯,需要从记忆中获得。 记忆来源分成三类:已有资料,例如过去发送的邮件;当下反馈,例如草稿被修改或拒绝的原因;行动结果,例如发出的邮件是否收到回复。 难点不在写文件,而在持续维护:哪些值得记住,哪些已经过期,重复或矛盾的信息如何处理。一种常见做法是「dreaming」:安排后台任务定期回看近期执行记录,整理并更新记忆。 衡量效果也不该只看存了多少内容,而要看草稿获批是否更快、邮件回复率是否改善,以及 Agent 提出的问题有多少真正促成了行动。 # 人的评审体验,是系统的一部分 LangChain 总结了三个很具体的设计方向。 首先,只呈现值得关注的信息。GTM Agent 把对话分成等待人工处理、需要起草回复和无需回复;Robin 则用 Jev 判断是否有必要加入 Slack 讨论,而不是看到消息就插话。 其次,让结果容易评审。团队发现,在 Slack 里逐条处理待发邮件效率很低,因此为邮件草稿做了专门的评审界面。人的修改不仅是完成审批,也是把难以提前写成规则的偏好反馈给 Agent。 最后,留在已有工作流里。每日简报发到 Slack,后续内容回到同一线程;Robin 先给一两句概要,再展开细节。请求 PR 审查时,附上一行摘要、改动规模和认领按钮,降低接手成本。 这些细节共同决定了:主动式 Agent 是一个可靠的协作者,还是另一个不断制造通知的工具。 ## 我的看法 这篇文章最值得借鉴的,是把「主动」拆成两项能力:没有新提示时仍能继续工作,以及继续工作的同时少占用人的注意力。事件和日程解决前者,记忆和评审体验解决后者。 好的长期 Agent,不应只追求运行次数更多,而应让每次问询更准确、每次评审更轻松,并能把反馈用于下一次判断。自主程度的提高,应该建立在这种持续改善之上,而不是简单减少确认步骤。 Sydney Runkle @sydneyrunkle x.com/i/article/2122… 🔗 View Quoted Tweet📊 1 ⚡
This report is categorized under AITOP's "How-to" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include LangChain, Agent, Deep Agents, memory management.
Source attribution: curated from shao__meng (@shao__meng).