深度代理机制：解决长任务中的上下文溢出和目标丢失问题

在处理长时间运行的任务时，简单的循环调用工具的代理会遇到上下文溢出和目标丢失的问题。为了解决这些问题，需要引入一个称为“harness”的机制来管理和优化代理的行为。文章详细介绍了四种关键机制：压缩、内存策略、上下文预算以及任务状态管理。这些机制通过限制进入模型窗口的数据量，并将不必要的数据转移到外部存储中，从而有效解决了长期任务中的性能问题。例如，LangChain Deep Agents 和 Claude Code 采用具体的阈值来实现这些优化措施，如当工具响应超过20,000个令牌时将其写入文件系统等。此外，文章还指出扩大上下文窗口并不能完全解决问题，因为随着输入长度的增长，模型的性能会变得越来越不可靠。