LangChain 发布 Deep Agents v0.7：基础输入 Token 减少 65%，性能持平

构建高效 Agent 的核心在于上下文工程：模型的能力上限取决于输入给它的上下文质量，而上下文质量又取决于提示词的组织方式。随着 OpenAI、Anthropic 和 Google 不断更新各自的提示工程指南，框架层面的 harness 也必须同步演进，否则就会携带模型已经不再需要的冗余指令。Anthropic 近期发布的上下文工程报告显示，他们为 Opus 5 和 Fable 5 等新模型削减了 Claude Code 系统提示的 80% 以上，编码评测成绩却未见下滑，这与 LangChain 团队在 v0.7 开发过程中的发现高度吻合。

v0.7 的精简策略围绕三个具体改动展开。首先，移除了 Deep Agents 在底层使用的系统提示，该提示原本包含通用指引和工具使用说明；其次，将内置工具描述整体压缩 43%；第三，create_deep_agent 不再默认加载 TodoListMiddleware，评测数据显示规划提示和 write_todos 工具对性能的提升并不显著。三项改动叠加后，默认 Agent 单次调用的基础输入 Token 从约 6000 个降至约 2000 个，降幅达 65%。

为验证精简后性能不会下滑，团队构建了一套涵盖自主任务、多轮对话和长上下文三类基准的评测矩阵，并在四个主流模型上进行了交叉测试。整体来看，奖励分数保持稳定，Token 消耗和成本普遍下降。gpt-5.6-luna 表现最为突出，Token 减少 34%、成本降低 15%、奖励分数反而提升 4%。claude-sonnet-4-6 是唯一的例外，LangSmith 追踪分析显示其成本上升主要源于两个难度较高的自主任务，并非框架本身的问题。

TodoListMiddleware 改为可选并不意味着它完全失去价值。对于步骤繁多的长流程任务、能力相对有限的模型，以及需要向用户展示可见进度的界面场景，显式的待办列表仍能帮助 Agent 保持执行轨迹的连贯性。开发者只需在初始化时传入 middleware=[TodoListMiddleware()] 即可重新启用，迁移成本极低。

可配置性是过去六个月 Deep Agents 用户呼声最高的需求，涉及覆盖 FilesystemMiddleware、自定义 SummarizationMiddleware 触发阈值以及全局替换基础提示词等场景。v0.7 通过两项机制解决了这一痛点：移除隐藏提示词让自定义提示词的效果更加纯粹，而新的中间件覆盖机制允许开发者传入与默认中间件同名的实例来直接替换，而非触发重复报错。以 SummarizationMiddleware 为例，开发者现在可以自由指定触发比例、摘要模型和摘要提示词，从而在上下文窗口耗尽之前主动介入，避免模型进入所谓的「愚钝区」。

文件系统层面同样迎来多项优化。write_file 现在会直接覆盖已有文件而非报错；分页读取的 read_file 会同步返回总行数、剩余行数和下一个偏移量；grep 和 glob 在处理大型目录树时改为返回带截断标记的部分结果，避免长时间挂起，grep 还新增了 1000 条匹配上限、流式输出和可选的上下文行数参数。这些改动均来自评测套件的发现以及真实 dcode 使用场景中识别出的轨迹优化机会。

要点

• v0.7 通过移除系统提示、压缩工具描述和将 TodoListMiddleware 改为可选，使默认 Agent 的基础输入 Token 减少 65%，从约 6000 个降至约 2000 个。
• 跨四个主流模型的评测矩阵验证了精简后性能持平，gpt-5.6-luna 的 Token 消耗下降 34%、成本下降 15%、奖励分数提升 4%。
• 新的中间件覆盖机制让开发者可以直接替换任意内置默认中间件，SummarizationMiddleware 的触发阈值和摘要提示词均可自定义配置。
• 文件系统工具经过多项优化，write_file 支持直接覆盖、read_file 分页信息更完整、grep 和 glob 新增截断保护机制。
• Anthropic 削减 Claude Code 系统提示 80% 的实践印证了同一结论：现代模型已无需大量示例和重复指令，精良的工具 Schema 设计比 few-shot 示例更能有效引导模型行为。