LangChain 总结主动型智能体构建经验:聚焦记忆系统与交互设计
What We’ve Learned Building Proactive Agents
LangChain 总结了构建主动型智能体(Proactive Agents)的核心经验,指出记忆与交互设计是避免人类成为系统瓶颈的关键。文章结合内部 GTM Agent 与 Robin 的实践,阐述了由真实事件、开发者计划与智能体自主计划组成的三类触发机制,并介绍了通过后台做梦机制解决记忆过时与合并问题、将审核嵌入 Slack 工作流的具体方案。
文章结合内部落地案例,总结了主动型智能体在触发机制、长期记忆维护与人机交互设计上的实操考量与落地方法。
回想一下你带新人的过程。第一周,你通常会给他们安排一些范围明确的小任务,比如分类整理缺陷报告、更新文档之类。没过多久,任务范围开始扩大;到了最后,你只要给出一个宏大目标,他们就能自己摸索如何落地。虽然他们还是会来找你确认细节或请求评审,但随着时间推移,这种沟通的频率会越来越低。
如今,智能体的发展已经足够成熟,你完全可以用带新人的方式来引导它们;就像优秀的新员工一样,它们正逐渐成为主动解决问题的好帮手。像 Muse、Instinct 以及 OpenAI 的 dots 这类个人智能体,让“主动型智能体”的概念深入人心:它们不再被动等待提示词,而是在后台默默运行,奔着更宏大的目标推进。Hone 的描述更为直白,称其 Engines 是“被赋予目标而非任务”的 AI。有了目标驱动,这些智能体便能处理那些需要数天甚至数周才能解决的复杂问题。
当然,当主动型智能体拿不准你的意图,或者某件事需要你审批确认后再发出时,它依然会主动与你沟通。当下属业务能力越来越强时,你可能会发现自己反倒成了效率瓶颈——智能体也是如此。随着它们承接的目标越来越多,你的注意力就成了最稀缺的资源。要想打造出善用人类注意力的主动型智能体,我们认为关键在于两点:记忆与用户体验。
主动型智能体
主动型智能体通过响应环境中的事件来运转,这些事件主要来自三个方面:
- 真实世界的事件,比如收到一封新邮件,或是有人提交了新的 Pull Request。
- 开发者设定的定时任务,比如每晚自动更新智能体记忆的作业,或是每周清理一次陈旧的 Pull Request。
- 智能体自行设定的定时任务,比如提醒自己明天跟进某个讨论帖,或是按用户要求生成的每日简报。

本文提及的案例,均来自 LangChain 内部运行的两个主动型智能体:
- GTM Agent:我们的销售智能体,负责监测新的潜在客户与回复、发送每日简报,以及起草外发邮件。
- Robin(原名 Open SWE):我们的工程智能体,负责编写 Pull Request 并对每一个新提交进行代码审查。
这两个智能体都由上述三类触发机制驱动。举几个例子:Robin 的代码审查始于真实事件——一个新提交的 Pull Request;而 GTM Agent 的每日简报则运行在它自己创建的定时任务上(响应用户的请求而设)。我们基于 Managed Deep Agents 构建了这两个智能体,目前其 70% 以上的运行任务都源于定时任务,而非人类即时输入的提示词。
主动型智能体可以自行决定何时向你请示,但每一次沟通都在消耗你的注意力。因此,它必须做到主动却不烦人。以监控收件箱的行政助理智能体为例,这意味着它要能标出老板发来的关于明天上线发布的信息,同时又不会把每封营销订阅邮件都当成要紧事提醒你。智能体只有清楚什么对你重要,才能区分两者的轻重缓急,而这种判断力正是来自记忆。
记忆让智能体随时间推移不断进化
记忆是智能体在长期运行中积累的信息。当主动型智能体被定时任务或事件唤醒时,并不存在一条由你发出的“告诉我想要什么”的提示词。它可以通过连接器获取最新上下文(如你的收件箱或日程表),但关于你个人偏好的认知,全凭记忆沉淀。记忆也是它提升工作能力的关键——而这项工作中非常重要的一环,就是懂得哪些事情才真正值得打扰你。
记忆从何而来
智能体的记忆源自三种信号,分别对应不同的时间维度。我们继续以行政助理智能体为例:它的目标是理顺你的收件箱,在新邮件到达时起草回复,并标出需要你亲自处理的邮件。
- 初始种子(过去):既往先例与现有上下文。你可以在首次运行前为记忆注入种子数据,比如导入“已发送邮件”,这样助理从一开始就了解你的行文风格与协作对象。
- 即时反馈(现在):你对智能体提议的回应。当你修改草稿或附上理由驳回提议时,智能体就能进一步摸清你的表达语气。
- 后续结果(未来):智能体采取行动后产生的影响。当它起草的邮件收到回复时,智能体就能了解哪些策略切实有效。

维护记忆是一大难点
存储记忆其实并不难,往往只需要一个文件。难的是在记忆不断膨胀的过程中让它始终发挥作用,因为智能体会依据自己记住的所有内容来行动。随之而来的有三大难题:
- 显著度:判断哪些信息值得保存,以及各项内容的重要程度。
- 时效管理:识别信息何时过期失效,比如已经过去的发布日期。
- 去重合并:把新信息融合进已有存储中,而不是存一份后续可能与前文冲突的副本。
许多主动型智能体通过“做梦”(dreaming)机制来处理这些问题:这是一个定时后台任务,会在下次运行前通读智能体近期的行为轨迹,并更新其记忆。
另一个难点在于评估记忆是否真正起到了作用。一种可行的做法是:选出优秀的记忆系统理应改善的结果指标,并对其进行持续追踪。以行政助理智能体为例,可以关注草稿通过审核所需的时间,或是发出邮件的回复率。对于任何主动型智能体来说,用户真正采取行动的主动提醒比例,也是个值得关注的数据。
记忆赋予智能体自主性
最优秀的新员工往往极具可塑性。他们善于吸收反馈,学习能力极强,很快就不会再犯你指正过的错误。曾有导师告诉我,评判一名员工价值的高低,就看你有多大把握把重要工作交给他分担。
智能体也是同理,而信任正是建立在记忆的基础之上。能够记住反馈的智能体不会重蹈覆辙,从而赢得更多自主权,在无需人类介入的情况下发挥更大作用。以行政助理为例,只要你不再调整它提议的时间,就可以彻底放手让它自主安排会议了。
主动型智能体的用户体验设计
主动型智能体会不请自来地发起交互,通常是带着需要回答的问题,或是等待批准的操作。这些内容的呈现方式,直接决定了用户是乐于互动还是直接选择静音屏蔽。在我们内部智能体的实践中,最重要的有三点。
高信噪比
智能体应当只呈现高价值信息。收到新邮件并不意味着智能体必须采取行动。GTM Agent 的审核界面会将对话归类为:等待你处理的、需要起草回复的,以及完全无需回复的。
在 Slack 话题讨论中,同样需要这种分寸感。当你正在和同事沟通时,智能体要是冷不丁插上一句,会让人非常恼火。因此,在开发 Robin 时,我们借助 Jev 作为决策模型,来判断它何时该介入对话。这样一来,Robin 就能默默旁观讨论,并在确实有话要说时主动参与,既不会强行插话,也不必非得等人想起 @ 它时才干活。

专为审核而设计
智能体的每次汇报都应该能让人快速审核,因为审核正是你的反馈沉淀进它记忆的过程。通过这些反馈,智能体才能逐渐理解你的偏好与判断尺度——在应对开放性工作时,这些往往是最关键的上下文,而且几乎从不会被落实在文字上。一个用着顺手的智能体,自然能得到更多这样的反馈。目标工程也表达了同样的观点:
你需要把智能体的目标对齐到人类最容易审核的形式上。这样不仅能带来极佳的审核体验,最大程度提取有效信息,还能让智能体持续学习,随着时间推移变得越来越好用、越来越自主。
GTM Agent 负责起草对外发送的邮件,但在 Slack 里积压着逐条处理效率太低,于是我们为它开发了专属界面:

融入你现有的工作流
我们的智能体直接扎根在 Slack 中。你既可以给它们发私信,也能在频道里直接 @ 它们,团队成员还能看到其他人是如何使用它们的。定时任务的成果也会呈现在这里。一旦你在某个讨论串中唤起智能体,它就能自行规划后续跟进,并把进度报告直接回传到该讨论串中。GTM Agent 的每日简报会直接作为一条 Slack 消息推送到你日常对话的旁边,无需特地打开独立的仪表盘去专门查看。我们让这些消息保持简明扼要,方便大家快速消化。
Robin 也是如此,它总是先发一两句核心摘要,再把细节展开放在话题回复里,让你一眼就能看出是否需要自己介入。当 Robin 发起 Pull Request 时,它会在 Slack 里请求审核,附上一行精简概述、改动体量以及一个可直接领取代办任务的按钮。

主动型智能体时代
过去三年里,打造智能体的核心在于上下文工程:在合适的时间,为特定任务向模型提供恰当的上下文。别误会,面向模型的上下文工程依然至关重要,但如今,我们迎来了其他同样有趣的新挑战!
在主动型智能体时代,我们面临的新挑战在于把同样的法则应用到人类身上:在合适的时间,以恰当的形式,为你提供服务于目标的精准上下文。人的“上下文窗口”同样是有限的,能付出的时间和注意力就那么多。当记忆机制与用户体验相得益彰时,智能体的汇报就会像一个悟性极高的新员工一样,随着时间推移变得越来越切中要害,频率也越来越克制。
现在,你可以利用 Managed Deep Agents 来构建主动型智能体,它现已支持定时任务、记忆系统和异步子智能体。如果你想直接基于开源框架搭建,可以从 Deep Agents 中的记忆系统与异步子智能体入手,在 JavaScript 中也采用同样的使用方式。
参考资料
来源:LangChain Blog · langchain.com