跳到正文
meng shao· @shao__meng · X·· 3 天前AI 评分58
AI 导读

LangChain 团队 @sydneyrunkle 总结了构建主动式 Agent 的经验,其内部销售 GTM Agent 和工程 Agent Robin 超过 70% 的运行由日程触发而非人工输入提示。

正文 · 原文

LangChain 谈主动式 Agent:超七成运行靠日程,关键是记忆与人的注意力

@LangChain 团队 @sydneyrunkle 总结了团队构建主动式 Agent 的经验:当 Agent 开始在后台推进持续数天、数周的目标,瓶颈不再只是模型能不能完成任务,而转为人有没有时间处理它不断送来的问题和结果。

以内部的销售 Agent 和工程 Agent Robin 为例,提出两个核心:用记忆提高判断质量,用交互设计减少人的评审负担。

https://www.langchain.com/blog/what-weve-learned-building-proactive-agents

主动不是不断发消息,是不必每次等指令

主动式 Agent 有三类触发来源:现实事件,例如新邮件、新 PR;开发者设定的日程,例如夜间整理记忆、每周清理陈旧 PR;以及 Agent 根据任务自行创建的日程,例如第二天跟进,或按用户要求建立每日简报。

LangChain 的 GTM Agent 负责跟进销售线索、处理回复和起草邮件;Robin 的前身是 Open SWE,负责起草和审查 PR。两者都基于 Managed Deep Agents 构建。团队介绍,超过 70% 的运行由日程触发,而不是人临时输入提示。

这个数字反映的变化是:Agent 不再只围绕一轮对话工作,而是通过事件和日程持续推进已有目标。

记忆不只是记录历史,更要帮助判断什么值得处理

Agent 被事件或日程唤醒时,往往没有新的人工说明。连接器可以提供最新邮件和项目状态,但用户的偏好、此前的纠正和合作习惯,需要从记忆中获得。

记忆来源分成三类:已有资料,例如过去发送的邮件;当下反馈,例如草稿被修改或拒绝的原因;行动结果,例如发出的邮件是否收到回复。

难点不在写文件,而在持续维护:哪些值得记住,哪些已经过期,重复或矛盾的信息如何处理。一种常见做法是「dreaming」:安排后台任务定期回看近期执行记录,整理并更新记忆。

衡量效果也不该只看存了多少内容,而要看草稿获批是否更快、邮件回复率是否改善,以及 Agent 提出的问题有多少真正促成了行动。

人的评审体验,是系统的一部分

LangChain 总结了三个很具体的设计方向。

首先,只呈现值得关注的信息。GTM Agent 把对话分成等待人工处理、需要起草回复和无需回复;Robin 则用 Jev 判断是否有必要加入 Slack 讨论,而不是看到消息就插话。

其次,让结果容易评审。团队发现,在 Slack 里逐条处理待发邮件效率很低,因此为邮件草稿做了专门的评审界面。人的修改不仅是完成审批,也是把难以提前写成规则的偏好反馈给 Agent。

最后,留在已有工作流里。每日简报发到 Slack,后续内容回到同一线程;Robin 先给一两句概要,再展开细节。请求 PR 审查时,附上一行摘要、改动规模和认领按钮,降低接手成本。

这些细节共同决定了:主动式 Agent 是一个可靠的协作者,还是另一个不断制造通知的工具。

我的看法

这篇文章最值得借鉴的,是把「主动」拆成两项能力:没有新提示时仍能继续工作,以及继续工作的同时少占用人的注意力。事件和日程解决前者,记忆和评审体验解决后者。

好的长期 Agent,不应只追求运行次数更多,而应让每次问询更准确、每次评审更轻松,并能把反馈用于下一次判断。自主程度的提高,应该建立在这种持续改善之上,而不是简单减少确认步骤。

引用Sydney Runkle@sydneyrunkle
https://x.com/i/article/2122696441508270080
在 X 查看被引用的帖子

来源:meng shao · x.com