重点内容

LangChain 最近分享了 Box 怎么把 Deep Agents 中间件用在 Box Agent 上。关键不是换个更大模型，而是通过更稳的 agent 编排，让它在真实企业场景里响应更快、输出更可靠。

摘要

这套中间件主要解决企业级 agent 的几个实际问题：

• 并行处理引用和来源标注，减少检索和生成带来的延迟
• 在连续对话中缓存 prompt，省去重复计算，改善成本和速度
• 管理超过 170k tokens 的超长上下文，避免单纯依赖大窗口导致成本失控

对企业 AI 来说，真正影响落地的往往不是模型参数，而是上下文、记忆、引用、成本和延迟这些系统层面的编排。

分析

Box 这类内容协作产品对 agent 的要求很实际：回答要快、结论要稳，还必须给出可追溯来源。所以在生产环境里，光靠模型原生能力不够，还需要额外中间件来处理。

| 问题 | Deep Agents 中间件的作用 | 企业侧价值 | |---|---|---| | 引用生成慢、链路复杂 | 并行运行 citations | 缩短响应时间，提升可验证性 | | 多轮对话重复消耗 prompt | 缓存 ongoing chats 中的 prompt | 降低成本，稳定体验 | | 上下文超过 170k tokens | 主动管理长上下文 | 避免成本膨胀和性能不可控 | | 业务任务依赖记忆与来源 | 维护上下文和引用链路 | 更适合真实企业工作流 |

企业 agent 的瓶颈正在从模型大小转向系统编排。对内容类工具尤其明显，用户不只要答案，还要速度、来源、连续记忆和可控成本。

这也说明 LangChain 的工具链已经在实际企业 agent 部署中承担了稳定性和成本控制的角色。

影响评估

重要性：中等

相关方向：开发者工具、行业趋势、技术洞察

Verdict: 对企业 AI 叙事来说，普通交易者并不早，长期持有者也不是主要受益者；真正占优的是正在构建企业级 agent 工作流的 builder 和押注 AI 基础设施采用率的基金。