LangChain 工程团队 10 月 27 日公开其设计智能体 Content Studio 的完整构建过程，并开源了整套 harness（github.com/langchain-ai/design-agent）。这个 agent 常驻 Slack，团队成员用自然语言提出需求并附上简报，它返回的是代码化资产——视频、社交图、幻灯片、数据图表，而非直接生成的图片。

架构上有三点值得借鉴。其一，每个 Slack 线程对应一台独立的 LangSmith Sandbox（隔离 Linux 机器，含文件系统与 shell），brief、计划、场景代码、音频与渲染结果都在同一项目文件夹，改一个数值即可重新渲染，不必重做整个资产。其二，长任务交给异步 subagent 并行执行，主 agent 转为「幕僚长」角色，在线程里展示计划、预计时间、渲染进度与花费。其三，采用三阶段流程——故事板、动态分镜、制作，故事板单帧渲染约 50 毫秒，而成片每秒需 8 至 40 秒，先在便宜的阶段试错。

成效数据：累计交付 3,000 多份资产、80 多套幻灯片，中位请求成本从 9 月中旬的约 8 美元降至约 0.5 美元，迁移到托管深智体后自研代码量减少约 80%；四分之三的请求来自营销部门以外，75% 是每周回访的重复用户。团队还记录了一个反直觉的教训：初版内置 115 个可复用 UI 组件去「帮」模型做设计，结果画面重复单调；模型升级后删掉大部分硬编码规则、只保留设计原则，多样性反而提升。

为什么值得看

它不是又一个生成式工具的通稿，而是一份可复现的工程复盘：环境（sandbox）、工具、技能与记忆四层怎么搭，成本怎么从 8 美元压到 0.5 美元，哪些规则该删。对正在把 agent 接进内部流程的团队，这比任何 benchmark 都更有参考价值——补模型短板的规则会过期，留下的应该是环境。