跳到正文
RadarAI· LangChain:Blog(RSS)·· 5 小时前AI 评分49

LangChain 总结构建主动式智能体的经验:记忆与 UX 是关键

AI 导读

LangChain 基于 Managed Deep Agents 构建内部 GTM Agent 和 Robin(原 Open SWE)两款主动式智能体,超过 70% 的运行来自定时调度而非人工提示。其经验是记忆与 UX 是构建主动式智能体的两大关键,记忆来自种子(过去)、反馈(现在)和结果(未来)三类信号,并需解决显著性、过期和重复问题。

正文 · AI 翻译

LangChain:博客·2026-11-18 01:00· 19 分钟前AI 评分59

我们在构建主动式智能体中学到了什么

AI 导读

LangChain 分享构建主动式智能体的经验:内部 GTM Agent 和 Robin(原 Open SWE)基于 Managed Deep Agents 运行,超过 70% 的运行来自定时调度而非人工提示。

正文 · 原文

想一想你是如何与一位新员工共事的。在第一周,你会给他们一些范围明确的小任务,比如分诊一个 bug 报告或更新一份文档。很快你就会给他们更大的任务,最终你会交给他们一个宏大的目标,让他们自己想办法去攻克。他们仍然会带着澄清性问题或评审请求来找你,只是随着时间推移越来越少。

智能体已经足够出色,你可以用同样的方式让它们上手,而且就像优秀的新员工一样,它们正在变成主动的问题解决者。Muse、Instinct 和 OpenAI 的 dots 等个人智能体让主动式智能体流行起来,它们在后台运行,朝着更大的目标推进,而不是等待提示。Hone 说得最直接,将其 Engines 描述为“被分配目标而非任务”的 AI。目标让这些智能体能够承担需要数天或数周才能解决的更难问题。

主动式智能体在不确定你想要什么、或在某件事发出前需要你签字确认时,仍会与你确认。当你的直接下属在工作中变得非常出色时,你可能会发现自己成了瓶颈,智能体也是如此。随着它们承担更多目标,你的注意力成为稀缺资源。我们认为,要构建能善用这种注意力的主动式智能体,有两件事至关重要:记忆和用户体验。

主动式智能体

主动式智能体响应其环境中的事件,这些事件来自三个地方:

  • 现实世界事件,比如一封新邮件或一个新打开的拉取请求。
  • 开发者设定的时间表,比如更新智能体记忆的夜间任务,或每周扫描过期的拉取请求。
  • 智能体自己设定的时间表,比如提醒明天跟进某个讨论串,或用户要求的每日简报。
Proactive agent triggers: real-world events like a new email or an opened pull request, developer schedules like a nightly memory update or a weekly stale pull request sweep, and agent schedules like a follow-up tomorrow or a daily brief a user asked for

文中示例均来自我们在 LangChain 内部运行的两个主动式智能体:

  • GTM Agent,我们的销售智能体,监控新线索和回复,发送每日简报,并起草外发邮件。
  • Robin(原 Open SWE),我们的工程智能体,起草拉取请求并评审每一个新拉取请求。

这些智能体在全部三种触发类型上运行。举几个例子:Robin 的评审始于一个现实世界事件——一个新打开的拉取请求;而 GTM Agent 的每日简报则按照它在用户提出请求后自行创建的时间表运行。我们基于 Managed Deep Agents 构建了这两个智能体,如今超过 70% 的运行来自时间表,而非临时的人工提示。

主动式智能体自行决定何时来找你,而每次确认都会消耗你的一些注意力。它必须主动,但不能烦人。对于一个监控你收件箱的高管助理智能体来说,这意味着要标记你老板关于明天发布会的消息,同时不标记每一份新闻简报。智能体只有知道什么对你重要,才能区分两者,而这种知识来自记忆。

记忆让智能体随时间变得更好

记忆是智能体随时间学习到的信息。当一个主动型智能体因日程或事件而唤醒时,并没有你的提示告诉它你想要什么。它可以通过连接器(比如你的收件箱或日历)拉取新的上下文,但它学到的关于你偏好的信息来自记忆。记忆也是它把工作做得更好的方式,而这份工作的很大一部分就是知道什么值得打扰你。

记忆从何而来

智能体的记忆来自三类信号,每一类都对应不同的时间点。我们继续用行政助理作为贯穿始终的例子。它的目标是让你的收件箱保持可控,因此当新邮件到来时,它会起草回复,并标记出需要你处理的邮件。

  • 种子(过去):先例和已有上下文。你可以在首次运行前为记忆播种,例如从你的已发送文件夹中,这样助理一开始就知道你如何写作、与谁共事。
  • 反馈(现在):你对智能体所提议内容的回应。当你重写一份草稿,或带着理由拒绝它时,智能体对你的语气风格了解得更多。
  • 结果(未来):智能体行动之后发生了什么。当它起草的邮件收到回复时,智能体就学到了什么有效。
The memory lifecycle: a seed fills the memory files, the agent proposes, you give feedback, the agent acts, outcomes follow, and dreaming, a background job, writes feedback and outcomes back into memory

维护记忆很难

存储记忆是容易的部分,因为记忆往往就像文件一样简单。随着记忆增长而保持其有用则更难,因为智能体会依据它记住的任何内容行事。会出现三个问题:

  • 显著性:决定什么值得保存,以及每条信息有多重要。
  • 过期:知道信息何时过时,比如一个已经过去的发布日期。
  • 重复:将新信息合并到已存储的内容中,而不是保存第二份副本,以免日后与第一份相矛盾。

许多主动型智能体通过“做梦”来处理这一点,即一个定时的后台任务,它会读取智能体近期的轨迹,并在下一次运行前更新其记忆。

另一个难点是判断记忆是否有帮助。一种方法是挑选一个设计良好的记忆系统应当改善的结果并加以追踪。对于行政助理来说,这可能是它的草稿需要多长时间才能获批,或者它发出的邮件收到回复的频率。对于任何主动型智能体来说,你实际对其主动联系采取行动的比例也值得关注。

记忆赋能自主性

最好的新员工是可被指导的。他们乐于接受反馈,并能快速爬升陡峭的学习曲线,因此很快就不再重复你已经纠正过的错误。一位导师曾告诉我,你可以通过能放心让一名员工从你手中接走多少重要工作,来判断其价值。

智能体也是如此,而记忆正是建立信任的东西。一个记住你反馈的智能体会停止犯同样的错误,这为它赢得更多自主权,并使它在没有你参与的情况下更有用。对于行政助理来说,这可能意味着一旦你不再更改它提议的时间,就让它自行预订会议。

主动型智能体的用户体验设计

主动型智能体会在未被要求的情况下主动联系,通常带着一个待回答的问题或一个待批准的操作。它如何呈现这些内容,决定了你是会参与其中还是将其静音。对我们内部的智能体来说,有三件事最为重要。

高信号

智能体应当只呈现有价值的内容。新邮件到达并不一定意味着智能体需要对此采取行动。GTM Agent 的审阅界面会将对话分为等待你处理的、需要起草回复的,以及完全无需回复的。

Slack 线程也需要同样的判断力。当你在与同事交谈时,一个智能体不请自来地插话会很烦人,因此在 Robin 中,我们使用 Jev 作为决策模型来判断它何时应加入对话。这让 Robin 能够观察对话,并在有内容可补充时参与,而不是强行介入,或只在有人记得标记它时才行动。

Agent action matrix: acting on something worth acting on is a useful action, not acting when nothing matters is useful silence, acting on what does not matter is noise, and not acting on what does is a missed opportunity

为审阅而构建

每次检查都应当能快速审阅,因为审阅正是你的反馈回到记忆中的方式。这种反馈让智能体习得你的品味和判断力,而对于开放式工作,这往往是它能获得的最重要的上下文,且很少被写下来。一个你乐于与之合作的智能体也会获得更多这样的反馈。Goal Engineering 也提出了同样的观点:

你会希望将智能体的目标对齐到人类最容易审阅的方式。这让你能够打造令人愉悦的审阅体验,提取尽可能多的信息,并使你的智能体持续学习,从而随着时间推移变得越来越有用、越来越自主。

GTM Agent 负责起草对外邮件,而在 Slack 中处理积压的邮件很慢,因此我们为此构建了自定义界面:

GTM Agent review UI showing a conversation list and an email thread with Waiting on you, Draft reply, and No reply needed controls

在你已经工作的地方

我们的智能体生活在 Slack 中,你可以在那里私信它们或在频道中标记它们,队友也能看到其他人如何使用它们。定时任务也会出现在那里。一旦你在某个线程中调用智能体,它就可以自行安排后续跟进,并将报告发回该线程。GTM Agent 的每日简报会以 Slack 消息的形式,出现在你已有对话的旁边,而不是在一个你需要记得去查看的独立仪表盘中。我们让这些帖子保持简短,以便易于消化。

同样,Robin 以一两句话的标题开头,并将细节放在线程回复中,这样你一眼就能看出是否有事情需要你处理。当 Robin 打开一个拉取请求时,它会在 Slack 中请求审阅,附上一行摘要、变更规模,以及一个认领按钮。

Robin asking for a pull request review in Slack, with a one-line summary, the size of the change, and buttons to claim or dismiss the review

主动式智能体时代

过去三年,构建智能体一直是一项上下文工程的练习:在正确的时间、为任务提供正确的上下文。别被迷惑了:面向模型的上下文工程仍然很重要。但现在我们也有了其他有趣的挑战!

在这个主动式智能体时代,我们面临的新挑战是为人类实践同样的纪律:为目标服务,以正确的格式、在正确的时间,为你提供正确的上下文。人的上下文窗口也是有限的,能投入的时间和注意力只有那么多。当记忆与用户体验协同工作时,智能体的检查会随着时间推移变得更精准、更少,就像一位可教练的新员工那样。

你现在就可以使用 Managed Deep Agents 构建主动式智能体,它支持定时任务、记忆和异步子智能体。若想直接基于开源框架构建,请从 Deep Agents 中的记忆和异步子智能体开始,它们在 JavaScript 中的工作方式相同。

资源

来源:LangChain:Blog · langchain.com

来源:RadarAI · aihot.news