LangChain官方博客10月14日发布《Context Engineering: How Deep Agents Remember》（作者Jess Weng），系统讲解其开源智能体框架Deep Agents如何防止长任务中的「上下文腐烂」（context rot）：模型承载的历史、噪音与工具输出越多，准确率越差，解决思路是让信息离开活动窗口但不丢失。

五项技法与关键参数

一是外置（Offloading）：工具结果超过约2万token即写入文件系统，模型只看到首尾预览与文件路径，需要时用read_file翻页取回，超大用户消息阈值5万token；二是摘要（Summarization）：token用量达窗口85%时由独立调用把旧消息压缩成摘要，原文存档可回溯，且支持按话题切换触发；三是技能（Skills）：任务专属说明按需加载，渐进披露让十个技能只占十条单行的上下文；四是子智能体（Subagents）：把高噪音调研隔离进独立窗口，只回传结论，还可用更便宜的模型并行；五是长期记忆：以markdown文件落在自管存储，换模型、换供应商记忆不丢。

文中以「每周研究五家竞品出报告」的智能体为完整案例，给出middleware挂载点与uv add deepagents上手命令。对本站日报自动化同样有参照价值：多源检索型智能体的工具结果膨胀，正对应外置加摘要的组合。属可复现的官方深度教程（本站AI板块②层）。