LangChain 喺 11 月 2 日嘅官方部落格文章，提出 agent 架構正收斂向同一個模式：LLM 入 loop、call tool、行沙箱。Claude Code 被提及為呢個模式最早嘅高調代表之一，而 LangChain 自家嘅 agent harness「Deep Agents」喺超過一年前已經上線。
文章承認有一堆已被業界收斂嘅標準做法：長對話超窗就壓縮摘要、大 tool 結果 offload、Skills 做 progressive disclosure、Tool search 應付海量工具、subagents 做 context isolation、Bash 當主要工具。呢啲係 coding agent 時代嘅「標配」，唔再係新問題。
文章話近期同多個 agent builder 傾嚇，大家思路都聚焦同一方向：proactive、always on、goal-oriented 嘅 agent。呢類唔再係「你 call 佢先動」，而係自己喺背景 listen event feed 或靠 heartbeat 叫醒，持續向用户 push 嘢。呢個同 coding agent 核心架構相似，但帶出三塊冇通用答案嘅新挑戰：
第一，點樣 proactive 但唔煩。 Agent 需要 push 嘢俾用户，製造幫到手嘅感覺；push 太多，就壓爆用户。文章話 calibration 至今仍然係 context engineering 嘅硬骨頭。
第二，記憶。 Agent 記憶系統分兩層：底層資料結構（檔案或單一 string，相對簡單）同圍繞呢個數據嘅「智能層」。最難嘅係決定要記乜。唔記任何嘢係一個極端，記過度細膩嘅細節係另一個極端。決定記乜嘅係另一個 agent，佢嘅 context engineering 本身仍係 open problem。
第三，async。 Agent 運行時間越拉越長，同其他系統（工具、其他 agent）互動，而呢啲系統本身亦越拉越長。主 agent 同用户互動時要即時應到新訊息，但工作喺異步 tool 同 subagent 度做。呢帶出三塊具體問題：背地做嘢完成後點通知主 agent？主 agent 仲喺度運行同已經結束，兩種狀態點處理？主 agent 暫停等訊號時點算？
文章直言 LangChain 同業界都冇通用答案，「想緊呢啲嘢係我最近最 fun 嘅嘢」。
阿調搞兩下： 呢篇嘅份量唔係產品發布，而係一個 agent 供應商對自家路線圖嘅坦率自白——收斂過後，業界真係入咗新地帶，而佢哋都未行到。coding agent 架構收斂唔代表 agent 範疇收斂，反而正因為 coding agent 框架穩定了，proactive agent 嘅設計空間先至打開放。記憶點記、proactive push 嘅度、異步狀態嘅處理——呢三塊都係直接影響用户體驗嘅掣，而至今冇人答到好。對用 agent 工作流嘅讀者嚟講，呢幾塊未解決，就係你揀平台時要問嘅核心問題：邊間廠商對呢三條線嘅思考最清楚？
阿調｜深度調教
