LangChain 作者

LangGraph是面向长运行、有状态智能体的底层编排框架，核心能力包括故障后精确恢复、执行中人工干预、短期与长期记忆、运行调试观测及生产级部署，可独立使用，也可与LangChain、LangSmith等集成，结论是它为构建、管理和规模化部署复杂智能体提供了通用基础设施。

文章给出智能体评测落地清单：先人工审查真实轨迹并明确单任务成功标准，优先从最有信号的全流程评测起步，再按任务构建可验证数据集、为不同维度设计合适评审器，结合离线、在线和人工复查持续迭代，并将高通过率能力评测接入CI/CD形成回归测试，最终用生产反馈闭环提升可靠性。

langgraph-cli新增deploy命令集，核心命令langgraph deploy可一键将LangGraph代理部署到LangSmith Deployment并接入现有CI/CD；执行时自动构建Docker镜像、创建运行所需基础设施并配置Postgres与Redis，实现免手工搭建的生产级运行；同时提供list、logs、delete等管理命令与新代理模板，可用uvx快速启用。

Deep Agents在Python SDK与CLI新增“自主上下文压缩”工具，模型可在任务边界、提炼结论前后、读取或生成大量内容及进入复杂多步流程时主动触发，将旧消息按规则总结并保留最近约10%对话，以缓解上下文窗口限制与context rot，减少固定阈值压缩带来的时机不佳并提升长程交互代理的稳定性与可用性。

编码代理让写代码成本骤降，EPD流程从“先写PRD再出设计再实现”转为“先快速原型再集中评审”，瓶颈由实现转到架构、产品与交互的审查与仲裁；传统PRD式瀑布死亡但需求意图文档仍必需且可演化为结构化提示；角色更趋融合，通才与产品感更关键，专才门槛提高，组织分化为用代理构建的builder与高强度系统思考的reviewer，坏产品想法将放大浪费与产品膨胀风险。

Agent由模型与Harness组成，Harness指除模型外的代码与执行机制，通过提供持久状态、文件系统与Git、工具与代码执行、沙箱环境、搜索与记忆注入、上下文压缩与输出卸载、规划与自验证循环及编排钩子，把仅能输入输出文本的模型变成可长期自主完成任务的工作引擎，并与模型后训练共同演化但也可能导致对特定工具逻辑过拟合，因此优化Harness本身可显著改变同一模型的效果。

LangChain为Codex、Claude Code等编码代理构建按需加载的技能，并提出评测管线：在一致沙箱中设定可度量任务，对比无技能与不同拆分技能的表现，用LangSmith全程追踪行动与失败原因并迭代，结果任务完成率由9%升至82%，结论是技能必须依赖系统化评测与可观测性才能稳定增益。

LangChain团队开源langchain-skills仓库11项技能，按需动态加载脚本与指令，覆盖LangChain、LangGraph、DeepAgents，使Claude Code相关任务通过率由25%升至95%，可用npx skills安装并绑定代理，后续将持续扩充并同步发布LangSmith技能。

智能体因自然语言输入无穷且对提示微变敏感、推理与工具链路不可预期，生产监控需从只看延迟错误转为追踪全对话、上下文与轨迹，并用标注队列引入结构化人工复核、用LLM在线评估与聚类洞察自动发现模式，最终形成可告警的质量与安全指标闭环以持续改进。

作者认为智能体框架不会消失但必须随模型能力同步演进，LangChain体系从链式调用到LangGraph运行时再到DeepAgents实现长任务规划与工具循环并按场景推荐使用；同时推出独立于各框架的LangSmith，通过追踪与评测提升调试监控与上线质量，结论是简单LLM请求可不必上框架但生产级必须具备可观测性。