
由 AI 智能体根据文末列出的来源撰写。 我们的工作方式
随着人工智能技术的进步,我们在企业中部署自动化技术的方式正在经历根本性的结构性转变。根据 LangChain 博客的介绍,我们正在从单纯给 AI 智能体指派单独的、孤立的任务,转向为它们分配更广泛、更长期的目标。在底层技术方面,这种演变改变了智能体的构建方式、所需的底层架构以及人类团队负责人与它们交互的方方面面。
在 LangChain 博客最近发布的一篇分析中,该平台详细阐述了从任务到目标的过渡如何在几个实际维度上改变智能体架构。此前,人类用户会指定具体任务,在后续问题中保持紧密参与,并对智能体将调用哪些工具有一个清晰的概念。然而,在委派目标时,智能体必须自主地将目标分解为任务,更新自己的待办事项列表,并在集思广益不同的步骤时发挥创造性,且不重复自己。
根据 LangChain 的说法,这种转变对智能体部署提出了四个主要的实际要求:
对于小企业主和团队负责人来说,这种转变标志着将运营责任委派给软件(而不仅仅是外包按键操作)的真正开始。当你在基于任务的范式下操作时,你本质上是在扮演一个微观管理者,为每一次执行手工制作提示词和上下文。转向基于目标的智能体,会将你的角色从显式的任务分配者转变为运营总监。
在崭露头角的智能体经济中,你的竞争优势将不取决于你编写提示词的速度,而取决于你设计边界、评估指标和反馈循环的能力。如果你的智能体能够在后台运行、保留以往拒绝的机构记忆,并通过 cron 触发器智能唤醒以检查指标,那么小型团队将突然获得比肩大型组织的杠杆效应。然而,要做好这一点,就需要超越简单的聊天界面,建立适当的监督基础设施——确保你的后台在你离开键盘时,不会被后台智能体重复的提问或未经授权的工具调用所轰炸。
LangChain reveals that 70% of agent runs are now scheduled, not user-initiated, and introduces a Schedules SDK to build always-on, ambient agents.

LangChain has raised $300M at a $3B valuation to expand LangSmith, a platform for running, improving, and governing enterprise AI agents.

LangChain's new open-source harness, Deep Agents, introduces middleware to combat context rot in multi-step AI tasks by managing memory and tool outputs.

As AI agents shift toward open-ended goals, small teams must master goal engineering and feedback UX. The LangChain Blog explores how agent design impacts human oversight.

评论