LangChain重磅更新：AI自主决定何时压缩记忆
对于正在构建长时间运行或交互式Agent的开发者而言，这个功能值得一试。它本身不算庞大，但它所指向的方向——让模型更主动地管理工作记忆——可能会成为下一代Agent框架的标准配置。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
AI Agent在执行长任务时有一个绕不开的问题：上下文窗口是有限的。
当对话历史、工具调用结果、文件内容不断堆积，模型的注意力会被稀释，关键指令被淹没，决策质量随之下滑——这种现象被称为“上下文腐烂”（context rot）。
LangChain的Deep Agents SDK此前已经实现了自动压缩：当上下文使用量达到模型窗口的85%时，系统会自动触发摘要化，将旧消息替换为结构化摘要。
这套机制能用，但不够聪明——它不知道现在是不是压缩的好时机。
最新发布的版本做了一件有意思的事：把“何时压缩”这个决定权交给了模型本身。
压缩上下文这件事，有好时机，也有坏时机。
如果模型正在进行一次复杂的代码重构，中途突然压缩，很可能丢失关键的中间状态，导致后续步骤出错。
但如果一个阶段性任务刚刚完成，用户准备开启新话题，这时候压缩就非常合适——旧的上下文已经没什么用了，清掉反而能让模型更专注。
很多交互式编程工具（比如Claude Code）提供了/compact这样的手动命令，让用户自己决定什么时候清理上下文。但这要求用户理解上下文窗口的概念，并且在合适的时机主动操作——对大多数人来说这个门槛并不低。
Deep Agents的新方案是：把这个工具暴露给模型，让它自己判断。
LangChain在系统提示中为模型提供了判断指引，总结下来大致有这几类场景：
• 任务边界：用户明确表示要切换到新任务，或者当前交付物已完成并得到确认
• 信息提取完毕：模型从大量上下文中得出了结论、摘要或关键事实，原始内容已不再需要
• 即将消耗大量新内容：生成长文档，或者要读入大量新文件
• 进入复杂多步流程前：大型重构、迁移、多文件编辑等任务开始之前，或者计划已制定、即将进入执行阶段
• 旧上下文已被新决策覆盖：新需求推翻了之前的方向，或者存在大量无效的探索路径需要清理
这些场景的共同特点是：历史上下文的边际价值已经很低，而接下来的任务需要更清晰的工作记忆。
这个工具的实现复用了Deep Agents已有的摘要化中间件逻辑：保留最近10%的可用上下文作为近期消息，对更早的内容生成结构化摘要。
触发压缩的工具调用本身及其响应，也会被保留在近期上下文中。
值得一提的是，Deep Agents会把完整的对话历史保存在虚拟文件系统中，即便压缩之后，原始内容依然可以通过文件系统检索找回。这在一定程度上降低了误触发压缩的风险。
在SDK中，这个功能作为独立中间件提供，需要手动加入到create_deep_agent的中间件列表：
from deepagents import create_deep_agent
from deepagents.backends import StateBackend
from deepagents.middleware.summarization import (
create_summarization_tool_middleware,
)
backend = StateBackend()
model = "openai:gpt-5.4"
agent = create_deep_agent(
model=model,
middleware=[
create_summarization_tool_middleware(model, backend),
],
)
在Deep Agents CLI中，这个功能默认开启。用户也可以继续使用/compact命令手动触发。
LangChain在调优时刻意让这个功能偏保守。
他们用三种方式进行了测试：
基于自家LangSmith追踪记录构建的评估集（注入后续prompt，判断是否应该触发压缩）Terminal-bench-2基准测试（未观察到任何自主压缩行为）团队内部在Deep Agents CLI上的日常编码任务。
结果是：模型触发压缩的频率不高，但每次触发都发生在比较合理的节点，而且确实改善了后续的工作流。
这背后有一个更大的设计哲学：Agent框架应该尽量“让开”，把更多控制权交给底层推理模型本身，而不是靠手工调参来打补丁。这是“苦涩的教训”（bitter lesson）在Agent设计上的一次具体实践——与其精心设计触发规则，不如让模型自己学会判断。
对于正在构建长时间运行或交互式Agent的开发者来说，这个功能值得一试。它本身不算大，但它所指向的方向——让模型更主动地管理工作记忆——可能会成为下一代Agent框架的标准。
相关攻略
对于正在构建长时运行或交互式 Agent 的开发者来说，这个功能值得一试。它本身不算大，但它所指向的方向——让模型更主动地管理自己的工作记忆——可能会成为下一代 Agent 框架的标配。 AI A
Deep Agents SDK 的完整代码已在 GitHub 开源。随着 AI Agent 承担的任务越来越复杂，上下文管理将成为决定 Agent 能力边界的关键因素。这套方案提供了一个很好的起点。
LangChain 表示这只是开始，后续会持续扩展模板库。如果你构建了自己满意的 Agent——无论是用于销售外联、生产监控还是研究分析——可以在社区 Slack 的 agent-buil
如果面试官问你这个问题，你可以这样总结：LangChain功能繁多、反应迅速，是探索 AI 前沿的最佳工具，而 Spring AI 更像是一套工业级的生产线。对于企业而言，我们不仅需要调用大模型，更
无论是在企业内部搭建客服代理，还是构建工程效率工具，文件系统方式都为“可控上下文”提供了工程化抓手。只要遵循“写入-检索-复用”的闭环，代理就能在大规模信息中保持稳定表现。 LangChain 团队
热门专题
热门推荐
要提升HDFS集群的稳定性，这些配置与优化思路值得关注 想让你的Hadoop分布式文件系统（HDFS）集群运行得更稳定、更可靠吗？这既是一项系统工程，也有一套清晰的优化路径——关键在于，你是否在硬件选型、参数配置、运维管理等核心层面都进行了系统性的规划与调优。下面这张图，可以帮助你快速建立起一个关于
HDFS副本策略调整指南 一 核心概念与层级 要玩转HDFS的副本策略，得先理清几个核心概念。它们像齿轮一样层层咬合，共同决定了数据最终落在哪里。 副本因子：这个最好理解，就是一个数据块要存几份。它直接决定了数据的可靠性和存储开销，默认值是3，算是可靠性与成本之间的经典平衡点。 副本放置策略：这是N
HDFS：一个为容错而生的分布式文件系统 在分布式存储领域，数据的安全性与可靠性是系统设计的核心。HDFS（Hadoop分布式文件系统）之所以能成为大数据生态的基石，关键在于其设计了一套多层次、自动化的容错机制。这套机制确保了在硬件故障、网络异常等常见问题发生时，数据依然保持完整且服务持续可用。本文
在HDFS中设置合理权限：一份实战指南 在Hadoop分布式文件系统（HDFS）中，权限管理绝非小事。它直接关系到数据的安全底线和系统的稳定运行。那么，如何为HDFS中的文件和目录设置一套既安全又实用的权限规则呢？下面这份指南，或许能给你带来清晰的思路。 1 基本概念 在动手之前，先得理清几个核心
在Hadoop分布式文件系统（HDFS）中实现数据压缩 处理海量数据时，存储成本与传输效率是两大核心挑战。HDFS提供了多种数据压缩方案，能够有效降低存储空间占用并提升数据处理性能。本文将详细介绍在HDFS中启用和配置数据压缩的几种实用方法。 1 配置文件设置 最直接且全局生效的方式是通过修改Ha