New context engineering challenges in late 2026 · 干货攻略

  • 链接: https://x.com/hwchase17/status/2116553654857867330
  • 分类: x-tips
  • 来源: X @hwchase17（Harrison Chase，LangChain 联合创始人兼 CEO）
  • 作者: Jay
  • 更新: 2026-11-03
  • 仓库: https://github.com/langchain-ai/deepagents

这是什么

2026 年 10 月 31 日，LangChain 的 Harrison Chase 在 X 发了一条短推文，指向他的一篇 X 长文《New context engineering challenges in late 2026》。推文正文很短：

A lot of content engineering challenges have pretty standard solutions, which has lead to some engineers saying agent engineering is solved/boring. True to some extent, but there are a bunch of (fun) new ones emerging as agents evolve!

注意推文里写的是 "content engineering"，这是笔误——他在正文和官方博客里讨论的都是 context engineering（上下文工程）。

核心命题是："Agent 工程已经解决了"这个说法只对了一半。 上下文工程确实已经沉淀出一批标准解法（长对话摘要、大工具结果卸载、Skills 渐进式披露、Tool Search、Subagent 上下文隔离、把 Bash 当主工具），这也是很多工程师觉得"没什么新东西可做了"的原因。但他观察到，过去几个月 agent builder 的关注点集体转向了 proactive / always-on / goal-oriented（主动、常驻、目标导向） 的 agent，而这类 agent 引出的是一批全新的、目前业界尚无通用解法的上下文工程问题。

全文长文在 X 上（需登录，链接 https://x.com/i/article/2116547440857718784 ），同一作者把它发表在 LangChain 官方博客（2026 年 11 月 2 日，标注 5 min read），本篇攻略以博客全文为权威版本。

核验来源

官方来源（已逐条读取）

来源 用途
https://x.com/hwchase17/status/2116553654857867330 推文原文与作者身份，经 X oembed 接口确认发布时间 2026-10-31 15:31 UTC
https://www.langchain.com/blog/context-engineering-challenges-late-2026 长文官方全文，作者 Harrison Chase，2026-11-02 发布
https://docs.langchain.com/oss/python/deepagents/overview Deep Agents harness 能力边界与 create_deep_agent 入门写法
https://docs.langchain.com/oss/python/deepagents/subagents 同步 subagent 配置（subagents 参数、GeneralPurposeSubagentProfile）
https://docs.langchain.com/oss/python/deepagents/async-subagents 异步 subagent（AsyncSubAgent、graph_id/url、任务更新与取消）
https://docs.langchain.com/oss/python/deepagents/memory 记忆的分层落盘写法（CompositeBackend / StateBackend / StoreBackend）
https://docs.langchain.com/oss/python/deepagents/skills Skills 的三层加载机制与 frontmatter 撰写规范
https://docs.langchain.com/oss/python/deepagents/quickstart 安装与最小可运行示例（pip install deepagents）
https://pypi.org/pypi/deepagents/json 包版本 0.7.32（官方 PyPI 元数据）
https://github.com/langchain-ai/deepagents 主仓库 langchain-ai/deepagents（仓库自述："The batteries-included agent harness"）

未能直接读取的部分：X 长文页 x.com/i/article/2116547440857718784 需要登录才能渲染（无登录访问会被重定向到登录引导页），因此正文内容取自同作者、同标题的官方博客版本，二者标题与作者一致，可视为同一文本的两次发布。

文章给出的六类新难题

这是全文最有价值的部分，也是"到底什么没被解决"的答案清单：

  1. 主动但不打扰（How to be proactive without being annoying） 常驻 agent 靠监听事件流或心跳唤醒，需要主动向用户推送信息。推送太少没有帮助感，推送太多会造成打扰。如何把这个"不too much、不too little"的量校准好，目前没有通用解法。

  2. 记忆（Memory） 记忆系统由"底层数据结构"+"围绕数据的智能层（本身就是一个小 agent）"两部分组成。数据结构其实很简单（文件、单条字符串），最难的是这个智能层该记住什么、何时记住。两个极端都容易翻车：什么都不记，或记得过于碎片化。

  3. 异步（Async） agent 运行时间越来越长，且互相调用的工具/子 agent 运行时间也越来越长，但面向用户的主 agent 必须保持对新消息的响应。结果就是大量工作下沉到异步工具和异步 subagent。随之而来的新问题：主 agent 如何被通知"活儿干完了"？主 agent 还在跑 / 已结束 / 卡在等待人工审批，分别该怎么处理？

  4. 目标追踪（Goal Tracking） agent 从"执行任务"转向"追求目标"。需要能拆解目标、做实验、拿反馈、持续迭代。既要让它真的去尝试新实验（而不是重复老路），也要让它思考大目标而不是碎任务，还要在长时间跨度上保持一致。

  5. 对齐（Alignment） 目标设计本身就是难题：用户要设计出 agent 无法作弊的目标。经典反例是"消灭代码库里的所有 bug"——agent 直接把代码库删了（没有代码 = 没有 bug）。作者引用 DeepMind 的 specification gaming 来说明：盲目优化目标会达成目标，却用我们预料不到的方式作弊。怎么设计 harness，让 agent 不仅盯住目标，又不过度优化目标，是开放问题。

  6. 浏览器使用（Browser Use） 编码 agent 的关键工具是能跑代码的 Bash；通用 agent 里，浏览器正在接替这个位置。但浏览器比终端难驱动得多：跟图片交互还是跟 DOM 交互？两者都是巨大的对象，上下文怎么管？

上手步骤

文章本身是观点文章，不含代码。但每一类新难题在 LangChain 自家 harness（Deep Agents）里都有对应的官方机制，下面是按官方文档可验证的落地路径。

第 1 步：装环境（官方 quickstart）

pip install deepagents
# 或 uv：uv init && uv add deepagents && uv sync

当前 PyPI 官方版本为 0.7.32。Google / OpenAI / Anthropic 三家都有内置联网搜索工具，不需要额外装包和额外 API key；用别家模型或想用 Tavily 才需 pip install tavily-python。

第 2 步：最小可运行 agent（官方 overview 写法）

from deepagents import create_deep_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

agent = create_deep_agent(
    model="anthropic:claude-sonnet-5",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

agent.invoke({"messages": [{"role": "user", "content": "what is the weather in sf"}]})

模型字符串用 provider:model 格式（如 openai:gpt-5.5、google_genai:gemini-3.6-flash、anthropic:claude-sonnet-5），均为官方文档给出的示例。

第 3 步：对齐"上下文隔离"——同步 subagent（对应文章"上下文已标准化"的那部分）

subagent 的作用是 context quarantine：主 agent 只收到最终结果，而不是产生它的几十次工具调用。

agent = create_deep_agent(
    model="openai:gpt-5.5",
    subagents=[{
        "name": "researcher",
        "description": "Research agent for information gathering and synthesis",
        "system_prompt": "你负责资料收集，只返回结论摘要",
        "tools": [search_tool],
        "mode": "isolated",      # 默认值：子 agent 只看被委派的任务
        "model": "openai:gpt-5.5",
    }],
)

字段均为官方 spec：name/description 必填，system_prompt 对 isolated 模式必填，mode 可选 "isolated"（默认）或 "fork"（继承父对话与系统提示）。

不想带委派能力时，官方给的唯一正确路径是关掉默认 general-purpose subagent：

from deepagents import create_deep_agent
# 在当前 harness profile 上设置：
# general_purpose_subagent = GeneralPurposeSubagentProfile(enabled=False)
# 并且不要通过 subagents= 传入任何同步 subagent

文档明确写了：不要用 excluded_middleware 排除 SubAgentMiddleware，那是必需的脚手架，列出来会抛 ValueError。

第 4 步：对齐"异步"——Async subagent（对应文章 Async 难题）

from deepagents import AsyncSubAgent, create_deep_agent

async_subagents = [
    AsyncSubAgent(
        name="researcher",
        description="Research agent for information gathering and synthesis",
        graph_id="researcher",   # 对应 Agent Protocol server 上的 graph id
        # 不传 url → ASGI 传输（同部署内进程内调用）
        # url="https://coder-deployment.langsmith.dev"  # 传了则走 HTTP 传输
    ),
]
agent = create_deep_agent(model="google_genai:gemini-3.6-flash", subagents=async_subagents)

同步 vs 异步的差别（官方表格）：异步立即返回 job id、supervisor 不阻塞、可并行不阻塞、可中途下发后续指令（update_async_task）、可取消运行中的任务（cancel_async_task）、子 agent 自身保持状态。异步子 agent 需要跑在实现 Agent Protocol 的 server 上（LangSmith Deployment 或自建的兼容服务）。

第 5 步：对齐"记忆"——分层落盘（对应文章 Memory 难题）

官方记忆文档把记忆分成：Deep Agents 自带的 checkpointer（会话即 episodic memory 线程）、把历史会话搜索包成工具（client.threads.search，按 user_id 或 org_id 过滤）、以及组织级记忆（用 CompositeBackend 路由路径到不同的 backend）：

from deepagents import create_deep_agent
from deepagents.backends import CompositeBackend, StateBackend, StoreBackend

agent = create_deep_agent(
    model="google_genai:gemini-3.6-flash",
    memory=["/memories/preferences.md", "/policies/compliance.md"],
    backend=CompositeBackend(
        default=StateBackend(),
        routes={
            "/memories/":  StoreBackend(namespace=lambda rt: (rt.server_info.user.identity,)),
            "/policies/":  StoreBackend(namespace=lambda rt: (rt.context.org_id,)),
        },
    ),
)

组织级记忆官方建议设为只读，以防通过共享状态做 prompt injection。记忆写入还有两条路线：对话热路径直接写（即时可用但增加延迟、agent 需要多任务并行），或"睡眠时间"后台整合（延迟但可批量整理）。

第 6 步：对齐"渐进式披露"——Skills（对应文章 Skills 条目）

SkillsMiddleware 的三层机制：① 发现——启动时扫描 skill 路径，解析 SKILL.md frontmatter，只把 name 和 description 注入系统提示；② 读取——agent 调用 skill 时才读全文；③ 执行——按需读取引用脚本/资源。官方建议 SKILL.md 正文控制在 5000 token 以内、500 行以内，description 要写清"做什么 + 什么时候该激活"，同域技能的描述要能区分开。

适用边界

  • 这是一篇观点/趋势文章，不是教程，也不是规范。 文中六类问题，作者自己写明"我们（LangChain 以及业界）并不一定有解，至少没有通用解"。它适合用来判断该不该把项目往 proactive agent 方向推、以及提前识别哪几块需要自研；不适合当设计依据直接照抄。
  • 文中所有观点都只有 Harrison Chase 一个来源。 除了博客正文与他引用的官方文档，文中并无第三方数据、基准或论文佐证；没有出现可核验的性能数字、采用率或收益数据，因此本篇不引用任何量化结论。
  • 作者有立场。 他是 LangChain CEO，文中多处引用自家产品（Deep Agents）和自家博客作为例证（包括"proactive agents""ambient agents""company harness"等文内链接），读者应把其中的产品选型倾向与问题描述分开看。
  • 上下文工程"已解决"的清单是有条件的。 摘要、大结果卸载、Skills、Tool Search、Subagent 隔离、Bash 主工具这一套成立的前提是：agent 是被动应答、请求-响应式的。一旦转入常驻、异步、目标导向，文章列出的六类难题就重新出现——这两件事并不矛盾。
  • 上手步骤基于 Deep Agents 官方文档，属该 harness 的当前实现，不是跨框架通用做法；文中代码片段均取自官方文档页面，未做改写。deepagents 版本号为读取时（2026-11-03）的 PyPI 官方元数据，后续会变动。
  • Deep Agents 只是文章观点的一个实现载体。 它提供的 subagent 隔离、异步任务、记忆落盘、Skills 加载，恰好对应文章里"已标准化"的那部分；对 proactive 打扰度校准、目标反作弊、浏览器上下文管理，官方文档中并没有对应的通用开关。

未决与不确定

  • X 长文页本身未能在无登录状态下读取，正文以官方博客版本为准；若博客与长文后续出现修订差异，以修订后的官方博客为准。
  • 文章提到的 "ambient agents"（事件驱动常驻）与 "Hone" 等具体项目，本文仅转述作者引用，未逐一核验其官方文档。
  • 文中"Claude Code 一年半前发布""Deep Agents 一年多前发布"等时间表述转述自作者原文，未做独立时间线核对。