LangChain 解析自研设计 agent Content Studio 并开源其 harness

LangChain 发布 langchain-scaledown 集成，并在 LangSmith LLM Gateway 中支持 ScaleDown 的约束解码模型（CDM），用于降低长时智能体上下文管理的成本和延迟。

LangChain 在最新版 deepagents 中引入子智能体上下文模式，支持 "isolated" 和 "fork" 两种取值，fork 模式让子智能体继承 supervisor 的完整对话而非从空白上下文开始。

LangChain 发布 OpenWiki 0.4.0，通过 claims 机制把 wiki 中的每条事实断言与代码证据版本绑定，证据变化时将断言标记为过期并随后续更新验证或纠正，无需重建 wiki。评测中开启 claims 后过期断言从 3.5% 降至 0.5%，幻觉断言从 0.7% 降至 0%，同时迁移到 OKF v0.2 使页面来源与验证历史可在 OpenWiki 之外检验。

LangChain 发布了一份面向 AI 智能体评估的实用检查清单，涵盖错误分析、数据集构建、评分器设计、离线与在线评估以及生产就绪等环节。该清单旨在帮助开发者系统性地验证智能体在真实场景中的表现，降低部署风险。

LangChain 发布了一份关于 AI 智能体记忆构建的实用指南，涵盖短期记忆、长期记忆与追踪分析。指南介绍了如何通过 LangSmith 帮助智能体在多次运行间持续改进，并重点讨论了短期记忆（如对话上下文）与长期记忆（如用户偏好存储）的实现方法。该指南为开发者提供了在 LangChain 框架中集成记忆模块的具体技术路径。

LangChain 介绍 Deep Agents SDK 的上下文压缩机制：超过 20,000 tokens 的工具结果卸载到文件系统、上下文达 85% 时截断旧的写/编辑工具调用、空间不足时执行带结构化摘要的总结，完整原始消息保留到文件系统供检索。文章还建议以更低阈值（如 10-20%）人为加大压缩频率来放大信号，并用针在草堆等针对性评测验证摘要后信息可恢复与目标不漂移。

LangChain 分享 harness engineering 方法，在不换模型（固定 gpt-5.2-codex）的情况下，把 deepagents-cli 在 Terminal Bench 2.0 上从 52.8 提升到 66.5，进入榜单前五。

LangChain 重建了 chat.langchain.com，弃用分块加向量数据库的检索方案，改为让智能体通过 Mintlify API、知识库标题扫描和 ripgrep 代码搜索直接访问文档、知识库和代码库的原始结构。

LangChain 针对幻灯片场景发布多模态 RAG 模板和包含 10 个问题的公开基准。在 Datadog 财报幻灯片上，多模态嵌入方案 CoT 准确率为 60%，图像摘要加 multi-vector retriever 达 90%，均高于仅文本抽取 RAG 的 20%；作者指出图像检索是核心挑战，并基于 Chroma 与 OpenCLIP 嵌入提供两步启动的部署模板。

LangChain 撰文解读 OpenAI 在 demo day 分享的客户 RAG 实验，将其归纳为基线检索、查询变换、路由、查询构造、索引构建和后处理等类别。