<p>“上下文工程是一个非常好的术语，我希望我能想出这个术语，” LangChain 的联合创始人哈里森·蔡斯（Harrison Chase）在反思行业日益关注使人工智能能够处理复杂的多步骤任务时表示。他强调，构建可靠的长期人工智能代理的关键路径不仅在于不断改进基础模型，还在于掌握围绕它们的复杂基础设施和反馈循环。此次对话由红杉资本的黄松雅（Sonya Huang）和帕特·格雷迪（Pat Grady）主持，在《训练数据》播客中提供了关于将人工智能从单轮提示转变为能够执行多日项目的自主系统所需的架构演变的深刻分析。</p>
<p>蔡斯表示，他的 LangChain 框架已成为代理开发的核心，长期代理的核心挑战在于在较长时间和多次交互中管理状态和上下文。早期的代理尝试，如 AutoGPT，证明了这一概念，但由于基础模型和支架缺乏必要的稳健性，最终不可靠。现在，随着更强大的大型语言模型（LLMs）的出现，行业正在从简单框架向红杉所称的 “代理工具” 转变——这些是旨在引导和约束基础模型非确定性特征的有见地的结构化架构。</p>
<p>代理引入的根本困难在于侵蚀了传统软件开发范式。在传统软件中，代码本身是最终的真实来源，决定了精确的执行流程。然而，代理在循环中运行，每个决策都会影响下一步，造成不可预测结果的级联。蔡斯指出：“在代理中，它们在运行和重复，因此你实际上不知道第 14 步的上下文是什么，因为在此之前有 13 步可能会引入任意的内容。” 这种复杂性要求新的可观察性和调试方法，使传统堆栈变得过时。</p>
<p>这种对可见性的需求使得 “追踪”——代理执行的详细结构化日志——提升到了新的地位。追踪捕捉了 LLM 所做的每一次交互、工具调用和决策，为开发人员提供了理解和改进代理行为所需的关键数据。蔡斯认为，这代表了一种深刻的转变：“软件的真实来源在于代码……对于代理来说，现在是代码和追踪的结合，追踪是你可以看到真实来源的地方。” 这意味着，对于构建代理的公司来说，生成、分析和利用这些追踪的能力正迅速成为竞争优势。</p>
<p>这种新架构最有效的领域是那些从自动化 “初稿” 中显著受益的领域。编码代理正在引领潮流，因为它们可以直接与文件系统交互，执行代码，并生成人类可以审查和完善的拉取请求。蔡斯指出：“目前长期代理的杀手级应用是那些具有 ‘初稿’ 概念的地方。” 这同样适用于 AI SRE 遍历日志以诊断事件或金融分析师生成初步研究报告。在这些场景中，代理处理繁重的工作和复杂的多步骤数据检索，而人类监督确保最终产品符合高标准的可靠性。</p>
<p>现代代理工具的一个主要组成部分是长期记忆和工具的集成，特别是对文件系统的访问。无论是通过直接的 bash 命令还是模拟的虚拟文件系统，代理读取、写入和管理文件的能力对于在上下文窗口仅不足以维持状态的漫长复杂任务中至关重要。这种记忆能力对于实现递归自我改进也至关重要。通过反思过去失败的追踪——这一过程通常被称为 “睡眠时间计算”——代理可以自主地完善自己的指令或规划工具。</p>
<p>此外，代理的非确定性特征要求对评估和质量保证采取新的方法。与传统软件开发不同，传统软件开发中单元测试提供明确的通过/失败标准，而代理评估则需要纳入人类判断。这是通过 “对齐评估”（Align Evals）实现的，人类对追踪进行注释，提供有价值的反馈循环，帮助将代理的表现与期望结果对齐。对于希望构建稳健代理的公司来说，这种透明追踪、外部记忆和人机协作验证的结合被证明比单纯依赖原始模型能力更为有效。这一转变已经影响到人才，许多成功的代理工程团队趋向年轻，未受先前对软件构建方式的成见所累，拥抱上下文工程的迭代和数据驱动特性。</p>

<p>哈里森·蔡斯（Harrison Chase），LangChain 的联合创始人，在与红杉资本的播客中讨论了上下文工程在开发长时程人工智能代理中的重要性。他强调，在这一领域取得成功依赖于掌握基础设施和反馈循环，而不仅仅是改进基础模型。对话中突出了随着时间推移管理状态和上下文的挑战、对详细执行日志（痕迹）的需求，以及长期记忆的整合。蔡斯指出，分析这些痕迹的能力正成为构建代理的公司的竞争优势，特别是在需要自动生成初稿的领域</p>

<p>“Context engineering is such a good term, I wish I came up with that term,” admitted Harrison Chase, co-founder of LangChain, reflecting on the industry’s accelerating focus toward enabling artificial intelligence to tackle complex, multi-step tasks. He emphasized that the critical path to building reliable, long-horizon AI agents lies not solely in continually improving foundational models, but in mastering the complex infrastructure and feedback loops surrounding them. The conversation, hosted by Sonya Huang and Pat Grady of Sequoia Capital on the Training Data podcast, provided a sharp analysis of the architectural evolution required to move AI from single-turn prompts to autonomous systems capable of executing multi-day projects.</p>
<div class="lb-trans"><p>“上下文工程是一个非常好的术语，我希望我能想出这个术语，” LangChain 的联合创始人哈里森·蔡斯（Harrison Chase）在反思行业日益关注使人工智能能够处理复杂的多步骤任务时表示。他强调，构建可靠的长期人工智能代理的关键路径不仅在于不断改进基础模型，还在于掌握围绕它们的复杂基础设施和反馈循环。此次对话由红杉资本的黄松雅（Sonya Huang）和帕特·格雷迪（Pat Grady）主持，在《训练数据》播客中提供了关于将人工智能从单轮提示转变为能够执行多日项目的自主系统所需的架构演变的深刻分析。</p>
</div><p>Chase, whose LangChain framework has become central to agent development, explained that the core challenge of long-horizon agents is managing state and context over extended periods of time and numerous interactions. Early attempts at agents, such as AutoGPT, proved the concept but were ultimately unreliable because the underlying models and scaffolding lacked the necessary robustness. Now, with more capable Large Language Models (LLMs), the industry is moving past simple frameworks toward what Sequoia has termed “agent harnesses”—opinionated, structured architectures designed to guide and constrain the non-deterministic nature of the underlying models.</p>
<div class="lb-trans"><p>蔡斯表示，他的 LangChain 框架已成为代理开发的核心，长期代理的核心挑战在于在较长时间和多次交互中管理状态和上下文。早期的代理尝试，如 AutoGPT，证明了这一概念，但由于基础模型和支架缺乏必要的稳健性，最终不可靠。现在，随着更强大的大型语言模型（LLMs）的出现，行业正在从简单框架向红杉所称的 “代理工具” 转变——这些是旨在引导和约束基础模型非确定性特征的有见地的结构化架构。</p>
</div><p>The fundamental difficulty agents introduce is the erosion of the traditional software development paradigm. In conventional software, the code itself is the definitive source of truth, dictating precise execution flows. Agents, however, operate in loops where every decision influences the next step, creating a cascade of unpredictable results. “In agents, they’re running and repeating and so you don’t actually know what the context at step 14 will be because there’s 13 steps before that that could pull arbitrary things in,” Chase noted. This complexity demands new methods for observability and debugging, making the traditional stack obsolete.</p>
<div class="lb-trans"><p>代理引入的根本困难在于侵蚀了传统软件开发范式。在传统软件中，代码本身是最终的真实来源，决定了精确的执行流程。然而，代理在循环中运行，每个决策都会影响下一步，造成不可预测结果的级联。蔡斯指出：“在代理中，它们在运行和重复，因此你实际上不知道第 14 步的上下文是什么，因为在此之前有 13 步可能会引入任意的内容。” 这种复杂性要求新的可观察性和调试方法，使传统堆栈变得过时。</p>
</div><p>This necessity for visibility has elevated “traces”—detailed, structured logs of agent execution—to a new status. Traces capture every interaction, tool call, and decision made by the LLM, providing developers with the critical data needed to understand and improve agent behavior. Chase argued that this represents a profound shift: “The source of truth for software is in code… For agents, it’s a combination now of code and traces are where you can see the source of truth.” This means that for companies building agents, the ability to generate, analyze, and act upon these traces is quickly becoming a competitive moat.</p>
<div class="lb-trans"><p>这种对可见性的需求使得 “追踪”——代理执行的详细结构化日志——提升到了新的地位。追踪捕捉了 LLM 所做的每一次交互、工具调用和决策，为开发人员提供了理解和改进代理行为所需的关键数据。蔡斯认为，这代表了一种深刻的转变：“软件的真实来源在于代码……对于代理来说，现在是代码和追踪的结合，追踪是你可以看到真实来源的地方。” 这意味着，对于构建代理的公司来说，生成、分析和利用这些追踪的能力正迅速成为竞争优势。</p>
</div><p>The domains where this new architecture is proving most effective are those that benefit significantly from automated “first drafts.” Coding agents are leading the charge, as they can interact directly with the file system, execute code, and generate pull requests that humans can then review and refine. Chase pointed out that “The killer application of long-horizon agents right now is places where you have this ‘first draft’ type of concept.” This applies equally to AI SREs traversing logs to diagnose incidents or financial analysts generating initial research reports. In these scenarios, the agent handles the heavy lifting and complex, multi-step data retrieval, while human oversight ensures the final product meets high standards of reliability.</p>
<div class="lb-trans"><p>这种新架构最有效的领域是那些从自动化 “初稿” 中显著受益的领域。编码代理正在引领潮流，因为它们可以直接与文件系统交互，执行代码，并生成人类可以审查和完善的拉取请求。蔡斯指出：“目前长期代理的杀手级应用是那些具有 ‘初稿’ 概念的地方。” 这同样适用于 AI SRE 遍历日志以诊断事件或金融分析师生成初步研究报告。在这些场景中，代理处理繁重的工作和复杂的多步骤数据检索，而人类监督确保最终产品符合高标准的可靠性。</p>
</div><p>A major component of the modern agent harness is the integration of long-term memory and tools, particularly access to file systems. Whether through direct bash commands or simulated virtual file systems, the ability for an agent to read, write, and manage files is essential for maintaining state across lengthy, complex tasks where the context window of the LLM alone is insufficient. This memory capability is also crucial for enabling recursive self-improvement. By reflecting on traces from past failures—a process often referred to as “sleep time compute”—agents can autonomously refine their own instructions or planning tools.</p>
<div class="lb-trans"><p>现代代理工具的一个主要组成部分是长期记忆和工具的集成，特别是对文件系统的访问。无论是通过直接的 bash 命令还是模拟的虚拟文件系统，代理读取、写入和管理文件的能力对于在上下文窗口仅不足以维持状态的漫长复杂任务中至关重要。这种记忆能力对于实现递归自我改进也至关重要。通过反思过去失败的追踪——这一过程通常被称为 “睡眠时间计算”——代理可以自主地完善自己的指令或规划工具。</p>
</div><p>Furthermore, the non-deterministic nature of agents mandates a new approach to evaluation and quality assurance. Unlike traditional software development, where unit tests provide definitive pass/fail criteria, agent evaluation requires incorporating human judgment. This is achieved through “Align Evals,” where humans annotate traces, providing a valuable feedback loop that helps align the agent’s performance with desired outcomes. For companies looking to build robust agents, this combination of transparent tracing, externalized memory, and human-in-the-loop validation is proving far more effective than relying on raw model capability alone. The shift is already affecting talent, with many successful agent engineering teams skewing younger, unburdened by prior preconceptions of how software should be built, and embracing the iterative, data-driven nature of context engineering.</p>
<div class="lb-trans"><p>此外，代理的非确定性特征要求对评估和质量保证采取新的方法。与传统软件开发不同，传统软件开发中单元测试提供明确的通过/失败标准，而代理评估则需要纳入人类判断。这是通过 “对齐评估”（Align Evals）实现的，人类对追踪进行注释，提供有价值的反馈循环，帮助将代理的表现与期望结果对齐。对于希望构建稳健代理的公司来说，这种透明追踪、外部记忆和人机协作验证的结合被证明比单纯依赖原始模型能力更为有效。这一转变已经影响到人才，许多成功的代理工程团队趋向年轻，未受先前对软件构建方式的成见所累，拥抱上下文工程的迭代和数据驱动特性。</p>
</div>

上下文工程是新的 AI 护城河：LangChain 的 Harrison Chase 谈论长期代理