🧠 图解记忆： Agent 改进先优化外部 Harness 和经验，再在证据充分时更新权重。
💡 答案要点
Deep Agents v0.5（开源替代 Claude Managed Agents）：
LangChain 发布的 Deep Agents 是 Claude Managed Agents 的开源替代品，核心特性：
- 异步子 Agent：非阻塞式子 Agent 支持，提升并发效率
- 多模态文件系统：支持图片、文档等多种文件类型的原生处理
- 模型无关：可对接任何 LLM 提供商
Continual Learning vs 权重更新：
传统 continual learning = 更新模型权重（LLM 微调） LangChain 认为 Agent 场景的 continual learning 应在三个层面发生：
| 层面 | 学习方式 | 实现难度 |
|---|---|---|
| 模型权重层 | 预训练/SFT/RLHF | 高（需要大量算力） |
| 工具/知识层 | RAG、MCP、向量库更新 | 中（动态注入） |
| 行为/经验层 | Agent 自我反思、记忆积累 | 低（框架层面实现） |
Harness Hill-Climbing with Evals：
核心观点：构建更好的 Agent = 构建更好的 harness（测试框架）
- 用 Evals 自动化评估 Agent 表现
- 每次改动跑全套评估，看分数是否提升
- 避免"凭感觉"优化，要用数据驱动
生产级 Self-Healing Agent：
LangChain 工程师分享的生产实践：
- 每次部署后自动检测回归
- 自动判断是否为本次变更引起
- 自动触发 Agent 修复 PR，无需人工介入直到 review
面试话术：
"LangChain 2026 年 4 月的三条主线：Deep Agents v0.5（异步+多模态）、Continual Learning 新视角（三个层面独立迭代）、Harness Hill-Climbing（用 Evals 数据驱动优化）。对我影响最大的是 Continual Learning 的三层框架——不是只有微调才能让 Agent 学习，RAG 更新工具知识、Agent 自我反思积累经验都是学习，而且成本更低、见效更快。"
延伸阅读：
- LangChain Blog: https://blog.langchain.dev/
- Deep Agents: https://blog.langchain.dev/deep-agents-v0-5/
- Continual Learning: https://blog.langchain.dev/continual-learning-for-ai-agents/