看到一个有意思的开源项目——trajectory。 不同 AI 编程助手产生不同的会话格式。当你换工具时，过去积累的经验无法跨工具使用。有点像你用 GitHub Copilot 写过的代码，到了 Codex 就完全看不到你的习惯记录。 Letta AI 做的 trajectory 解决了这个问题：它把 Claude Code、Codex、LangChain deepagents 等工具的会话统一成一种对 Agent 友好的格式。 关键设计是极致简化，目标不是人类可读，而是 Agent 可处理。数据对比：原生 Claude Code 会话约 95 万 token，trajectory 格式压缩到约 17 万 token（默认截断模式下 5.6 倍压缩）；原生 Codex 约 392 万 token，压缩到约 73 万 token（5.4 倍压缩）。 这个格式不是为了复现完整执行过程，而是为了让 Agent 从过去的经验中高效学习。所谓的“Agent 梦”，也就是让 Agent 在空闲时回顾自己的行动、形成记忆，依赖这种标准化格式才能在不同工具之间通用。 使用方式： npm install -g @letta-ai/trajectory 然后在 Letta Code 里运行 /init，就可以回顾来自其他工具的会话记录。 这件事的意义在于：它是在为一个“Agent 经验市场”铺路。如果所有工具都支持这种格式，Agent 的跨工具学习就能实现——你在 Claude Code 里解决的问题，Codex 能直接从中学习。 这是一个标准化的早期尝试，方向值得关注。

推荐这篇文章，LangChain Deep Agents v0.7 发布。 他们把默认的基础指令砍掉了一大半，跑完全部 eval 性能不变。 LangChain 在 7 月 29 日发布了 Deep Agents v0.7。这次更新的核心是把 harness 变薄——基础输入 token 减少 65%（约 6K → 2K），性能不变。 三条瘦身策略 删掉基础 system prompt。 Deep Agents 之前内置了一个通用指南和工具使用说明的 system prompt。v0.7 把它整个砍掉了。 工具描述精简 43%。 内置工具的描述文本被压缩了近一半。 Todo 列表默认关闭。 TodoListMiddleware 不再是默认开启。跨三类 eval（自主任务、多轮对话、长上下文）× 四模型（GPT-5.6 Luna、Gemini 3.6 Flash、Claude Sonnet 4.6、Claude Opus 4.8）的评测显示，关闭 todo 后奖励略优、成本更低。不过有三类场景仍然值得打开：长多步任务、能力较弱的模型、需要可见进度条的 UI 场景。 验证方法 LangChain 用了一个新的 eval 套件来做对照。三个基准类别：Autonomous（编码、数据分析端到端任务）、Conversational（多轮对话）、Long-context（长上下文检索推理）。v0.7 vs v0.6.12 矩阵跑下来，reward 整体持平，token 和成本多数下降。最显著的是 GPT-5.6 Luna：token -34%，成本 -15%，reward +4%。 Anthropic 的影响 博客里直接引用了 Anthropic 刚发的 Claude 5 模型的 context engineering 新规——Claude Code 的 system prompt 被砍掉了 80% 以上，coding eval 毫无下降。两条核心发现： • 接口比示例好。 好的 tool schema 教会模型怎么用工具，比过去流行的 few-shot examples 更有效——示例反而会收窄模型的探索范围。 • 不要重复。 在 system prompt 和工具描述里各说一遍同一个指令，不带来增益。 可配置性 v0.7 让覆盖内置中间件变成一等公民。传一个 middleware= 实例，同名的默认中间件会被原地替换而不是报错。一个实际例子：SummarizationMiddleware 默认在上下文窗口 85% 时用通用 prompt 做摘要——v0.7 可以把它换成： SummarizationMiddleware( model="fireworks:kimi-k3", trigger=("fraction", 0.5), # 50% 就开始摘要 summary_prompt="Summarize the conversation, keeping file paths and decisions verbatim...", ) 破坏性变更 • TodoListMiddleware 默认关闭（可 opt-in） • 移除了 v0.5 中废弃的 backend factories • delete 工具加入默认文件系统工具列表（可通过 allowlist 关闭） 原文： #DeepAgents# #LangChain# #AgentEngineering#

LangChain 今天发布了 Deep Agents v0.7：基础输入 Token 减少 65%，性能基本持平。 我觉得这次升级是一个很大的改进。 运行 Agent 时，Token 并不全花在任务本身。系统提示、工具定义、上下文管理和任务规划格式等 Harness 开销，会在每次调用中反复出现。任务越长、调用次数越多，这部分基础成本就越明显。 v0.7 做的事情很直接：精简底层 Harness，在不明显损失能力的情况下，让每次调用变得更轻。 对于长时任务和批量自动化，65% 的基础 Token 缩减意味着，同样的预算可以跑更多任务，也能给真正有用的上下文留出更多空间，延迟和成本通常也会随之下降。 我觉得这类框架层优化对日常使用成本的影响，有时比换一个更贵的模型还直接。 模型能力很重要，Harness 是否足够轻，同样值得关注。正在使用 LangChain Deep Agents 的人，v0.7 值得优先测试升级。 🔗:

Circle 发文称，已将 Circle Agent Stack 入门套件开源，开发者可通过 OpenAI Agents SDK、Claude Agent SDK、LangChain Deep Agents、Mastra、Vercel AI SDK 和 Google ADK 六种框架，为 AI Agent 集成钱包、USDC 支付及链上操作。Circle 官方 GitHub 仓库显示，相关套件集成了代理钱包、纳米支付和 Circle Agent Marketplace；示例仅供演示和教育用途，拟用于 Arc 测试网，尚不可用于生产环境。

DeepSeek 刚提出 Super-agent，LangChain 又发布了《Agents Are Going Async》，两篇文章放在一起看，感觉 Agent 的架构正在发生一个很重要的变化。 现在 Agent 越来越能干，但执行一个长任务时，人经常还得盯着 Session，等它跑完才能继续安排工作。 LangChain 在 Deep Agents 中引入了 Async Subagents，给出了一套很具体的解决方案。 主 Agent（Orchestrator）负责和用户交互，耗时任务交给后台 Subagent，每个任务都有独立的 Thread，启动后立即返回，不会一直阻塞主 Agent。 更实用的是，任务跑起来后依然可以控制。 比如 Coding Agent 正在修改代码，你突然想换个技术方案，主 Agent 可以把新指令发给后台任务，选择中断重跑，或者等当前工作完成后再执行。 还有个我挺喜欢的工程细节。 LangChain 把后台任务状态单独保存，避免 Context 压缩后丢失任务记录。任务完成后还能主动通知主 Agent，即使主 Agent 正在处理其他工作，或者等待人工审批，也有对应的处理机制。 这和 DeepSeek 的 Super-agent 思路很接近。区别在于，LangChain 更关注任务执行过程中的异步调度与控制，DeepSeek 则进一步探索通过 GitHub、飞书等事件主动发现和推进工作。 我觉得两者都指向一个趋势：Agent 正在从单个 Session 的执行循环，走向能够持续处理多项任务的工作系统。 以后 Agent 好不好用，可能很大程度上取决于你能不能放心把任务交出去，又能在需要时随时介入。 LangChain 原文：

每次搭 AI 应用，都从零开始连模型、接工具、写 prompt、处理输出……等真的能跑，已经过去半天了。 LangChain 解决的就是这个问题。它把所有重复动作封装成标准组件——模型、嵌入、向量库、工具调用——然后让你像搭积木一样拼起来。 核心价值不是“能做什么”，而是“不用反复重写”。换模型？改一行配置。换数据源？换一个组件。把 AI 应用开发从“写代码”变成“拼积木”。 快速开始： uv add langchain from import init_chat_model model = init_chat_model("openai:gpt-5.5") result = model.invoke("Hello, world!") 它自己已经演化成一个生态：Deep Agents（高级 Agent 套件）、LangGraph（可控 Agent 工作流）、LangSmith（调试和评估）、LangSmith Deployment（部署和扩展）。 如果你正在做 AI 应用，LangChain 大概率是那个“省下 80% 重复劳动”的基础层。 开源，仓库： 适合三类人： 1. 刚开始做 AI 应用、想快速出原型的开发者 2. 需要频繁换模型、接不同数据源的技术团队 3. 想建 Agent 系统但不想从零写编排的人 收藏备用，下一个 AI 项目从它开始。

黃仁勳：十年把 AI 效能提升 100 萬倍！｜GTC 柏林 2026 主題演講 2026.10.21 概述NVIDIA 创始人兼 CEO 黄仁勋在柏林 GTC 发表主题演讲。他回顾了 NVIDIA 在欧洲 33 年的发展，提出 AI 是一个“五层蛋糕”式的新制造业，并发布了 Vera Rubin 全栈 AI 工厂、DSX Pod、OpenShell 安全运行时、Hyperion 自动驾驶生态扩展、Agile ONE 参考机器人和 RTX Spark 个人 AI 电脑。 = 》他的判断是：每家欧洲企业都会成为 AI 公司。 核心要点AI 是新的工业革命：AI 是“生产智能的制造业”，按五层结构理解：能源 → 计算 → AI 工厂 → 模型 → 应用。 Vera Rubin 已全面量产：100% 液冷，无线缆，单节点组装时间从 Grace Blackwell 的 2 小时降到 5 分钟以内；性能约为 Blackwell 的 30 倍。 过去 10 年 AI 性能累计提升约 100 万倍，同期摩尔定律只能带来约 100 倍。 DSX Pod：把 NVL72 机架在供应链内完成集成、测试并装入集装箱交付，现场部署从约 4–5 个月缩短到约 1 个月。智能体五要素：模型、Harness（“外骨骼”）、沙箱（OpenShell）、知识、工具。 OpenShell + Sentry：开源（Apache 2.0）的智能体安全运行时，策略在智能体外部执行；Sentry 运行在 BlueField-4 上，提供硬件级隔离监控。 物理 AI：覆盖电信 AI-RAN、自适应放疗、Robotaxi（Hyperion）和人形机器人，需要“三台计算机”：训练、数字孪生、机器人端。 RTX Spark：与微软合作 4 年，搭载 N1X 芯片，提供 1 PFLOPS 算力和 128GB 内存，规格相当于 2016 年交付给 OpenAI 的 DGX-1。 NVIDIA 与欧洲：早期芯片 NV1、NV2、NV3（RIVA 128）都在欧洲制造：合作伙伴 SGS-Thomson，在法国 Crolles 生产，在马耳他封装。 早期最大客户是 Medion；ELSA 于 2000 年把 NVIDIA 带入工作站市场；2005 年进入 Audi 车内；2020 年与 Mercedes 合作自动驾驶。过去一年在欧洲投资近 100 亿美元，本周宣布投资 14 家初创公司，欧洲合作伙伴超过 12,000 家。 合作的欧洲企业包括 L'Oréal、Revolut、Spotify、Merck、Vodafone、Zara、Porsche、Nestlé、HSBC 等。 AI 五层蛋糕与基础设施，每一层都在增长：能源层（Schneider、Siemens Energy）、计算层（NVIDIA）、AI 工厂层（Nebius、Firebird、Cassava）、模型层、应用层（AI 原生初创公司）。预测全球约 10 万个电信站点、约 100GW 的分布式基站和数据中心，未来会演变为分布式 AI 网络。 模型层不只有语言模型，还包括生物、化学、物理、机器人动作、动画等多种模态。1GW AI 工厂造价约 500 亿美元；如果年收入按 400 亿美元计，延迟 3 个月约损失 100 亿美元收入。 全栈 AI 工厂平台硬件：Vera Rubin GPU、NVLink 交换机（72 颗 GPU 连成一个巨型 GPU，每颗 20 PFLOPS）、Vera CPU（每时钟 8 条指令，首个 LPDDR 内存系统）、BlueField-4、Spectrum-X 以太网（使 NVIDIA 成为全球最大的网络公司）、Groq 3 解码加速器。 Spectrum-X CPO：全球首款量产的共封装光学交换机，512 端口 × 200Gb/s，采用与 TSMC 合作的 COUPE 工艺。软件：AI 工厂系统软件、350 多个 CUDA-X 库（cuDNN 被比作“AI 界的 SQL”），以及多领域模型。 架构演进：Pascal（DGX-1，2016 年交付 OpenAI）→ Volta → Ampere → Hopper → Blackwell（首个机架级计算）→ Vera Rubin（处理整个智能体）。DSX 参考架构：PTC、Dassault Systèmes、Schneider Electric、Jacobs、Siemens、Procore 参与数字孪生设计；DSX Max-Q 节省 30% 电力；冷却液温度最高 45°C，采用干式冷却；2GW 规模下每天可节水 5,400 万升，相当于 18 万户家庭的日用水量。 NVIDIA 的两大差异化：通用加速计算架构（CUDA，保持一致约 25 年），以及 全栈 AI 工厂交付能力。架构“可互换（fungible）、耐用、高生产力”，可服务 CSP、新云、OEM/ODM、AI 实验室和各行业终端市场。 智能体与安全OpenClaw 开启了开源智能体浪潮，token 消耗和 GPU 需求随之激增。OpenShell 在系统调用、文件访问、网络连接三个粒度上执行策略。形式化验证保证权限不超出上限；密钥由 supervisor 保管；Sentry 可在毫秒级隔离异常智能体，并留下防篡改记录。安装只需两条命令。 前沿实验室、操作系统、网络安全和平台公司纷纷采用；Anthropic 与 NVIDIA 合作打造 Claude OpenShell 智能体。可用的 Harness 包括 OpenClaw、Hermes、OpenHands、LangChain Deep Agents，或直接用 Python 编写。 开放模型、知识与工具开放模型家族：Nemotron（语言）、Cosmos（世界基础模型）、GR00T（人形机器人）、Alpamayo（自动驾驶）、Ising（量子-经典计算）、Earth-2（物理 AI）。同时开放权重、数据和训练脚本。客户案例：AI21 与 Alice、Baseten 与 CodeRabbit、Trajectory 与 Harvey、Scale 与 Skydance、Palantir 与 Tampa General Hospital，通过后训练达到前沿水平。 知识基础：Nemotron Parse、Embed、Rerank（排行榜领先），以及用 Kumo 对结构化数据做预测（例如预测供应短缺）。 CUDA-X 工具相比 CPU 可加速 10–100 倍。 案例： - Lila Sciences：B 细胞淋巴瘤疗法设计，使用 BioNeMo。 - Siemens Erlangen 工厂：使用 Cosmos 和 Omniverse。 - Dassault Systèmes：把 Golf 车门设计改到 Tiguan 上，使用 ENOVIA、CATIA、SIMULIA。 观点：AI 不会终结软件或工具公司，工具公司会变成智能体公司。 物理 AI电信：与 Nokia 在 T-Mobile 网络上完成首个商用通话，历时近 8 年。自适应放疗：被视为一种机器人手术。Hyperion：标准传感器套件包括 14 个摄像头、9 个雷达、3 个激光雷达，由双 NVIDIA GPU 驱动。 新增 VW 厢式车、JLR、Volvo、Mercedes 下一代车型；全球每年行驶约 1 万亿英里。人形机器人：标准化形态能带动技术飞轮，欧洲在机电一体化方面有优势。 Agile ONE 参考机器人与 Agile Robots 合作，预计明年第一季度推出。 RTX Spark 与演示： RTX Spark 系列包括台式机、笔记本和工作站；DGX Station for Windows 提供 20 PFLOPS 和 754GB 内存，预计今年底上市。构建智能体的方式是“让智能体帮你构建智能体”。 演示中，Hugging Face/Pollen Robotics 的 Micro Duck 机器人由 Hermes、Nemotron 和 GPT-6 Astra 驱动，借助 FreeCAD、Blender、Isaac Sim/Lab 和 Newton 完成建模、云端并行训练、本地验证和真机部署。 关键结论AI 工厂正在从“运行模型”转向“运行完整智能体”。欧洲应成为 AI 的生产者而非消费者，每家公司都将成为 AI 公司。 行动方向：使用开放模型结合自有数据进行后训练，以 OpenShell 保证安全，借助 DSX Pod 加速 AI 工厂部署，并抓住物理 AI 和人形机器人的机遇。 $NVDA