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。

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。