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。当 AI Agent 需要处理越来越长的任务时一个棘手的问题浮出水面LLM 的上下文窗口是有限的。任务执行时间越长积累的对话历史和工具调用结果就越多最终会撑爆上下文窗口。更糟糕的是即使没有超出限制过长的上下文也会导致上下文腐烂context rot——模型开始遗忘早期的重要信息甚至偏离最初的目标。LangChain 团队最近开源了 Deep Agents SDK专门解决这个问题。这个框架赋予 Agent 规划能力、子 Agent 生成能力以及文件系统集成使其能够处理复杂的长时间运行任务。其中最核心的贡献是三种上下文压缩技术。三种上下文压缩策略策略一卸载大型工具输出当工具返回的结果超过 20,000 tokens 时系统会自动将完整内容存储到文件系统中只在活跃上下文中保留一个引用指针和前 10 行的预览。这样 Agent 知道数据在哪里需要时可以随时读取但不会让这些大块数据占用宝贵的上下文空间。策略二卸载大型工具输入当上下文使用量达到 85% 容量时系统会对历史记录中较早的文件写入和编辑操作进行截断用文件系统指针替代完整内容。这是一种渐进式压缩——越老的操作越可能被压缩而最近的操作保持完整。策略三对话摘要这是最有技术含量的一个策略包含两个部分。首先由另一个 LLM 生成结构化摘要包括会话意图、已创建的产出物、下一步计划等关键信息这个摘要保留在上下文中。同时完整的对话历史被归档到文件系统以备需要时恢复。这种设计的精妙之处在于摘要提供了足够的上下文让 Agent 继续工作而完整历史的归档则确保了关键细节不会真正丢失。如何验证压缩效果上下文压缩最大的风险是信息丢失。LangChain 团队为此设计了专门的评估策略。他们使用大海捞针测试来验证信息恢复能力——在压缩后的上下文中Agent 是否仍然能找到早期对话中的关键信息为了放大测试信号他们会故意将压缩阈值从 85% 调低到 10-20%让压缩更频繁地触发从而暴露潜在问题。另一个重点测试是摘要完整性检查。摘要是否准确捕捉了会话的核心要素是否遗漏了影响后续决策的关键信息最隐蔽的失败模式目标漂移LangChain 团队特别警告了一种失败模式目标漂移goal drift。这是上下文压缩最隐蔽的副作用——Agent 在压缩后仍然能正常工作但逐渐偏离了用户最初的意图。表面上看一切正常实际上 Agent 已经在解决一个略有不同的问题。这也是为什么结构化摘要如此重要。摘要中明确包含会话意图这一字段就是为了在压缩后帮助 Agent 保持方向感。实践建议LangChain 团队给出了三条实践建议•先建立基线- 在真实任务上测试 Agent 的基准表现再去压力测试单个功能•验证信息恢复- 确保 Agent 在压缩后仍能访问关键信息•监控目标漂移- 定期检查 Agent 是否仍在解决最初的问题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。