过去一年多来，业界似乎正在收敛到同一种智能体架构：一个在大循环中运行、调用工具、并在沙箱环境中执行任务的大语言模型（LLM）。Claude Code 也许是这一模式最早的高关注度体现，它问世已超过一年半；而 LangChain 自家的智能体框架 Deep Agents 也已推出一周年有余。也就是说，这种架构范式并非突然出现，而是经过了相当长时间的积累与演化。
这种趋同本身并没有什么问题。但 LangChain CEO Harrison Chase 最近与一些 AI 工程师交流后发现，这种趋同让部分人产生了一种情绪：有人认为“所有困难的问题都已经解决了”，也有人觉得“已经没有什么新的 AI 工程问题值得去攻克”。Chase 认为，当人们表达这种看法时，他们谈论的主要是让智能体真正运转起来的那套上下文工程（context engineering）实践。从某种意义上说，他们并没有说错——业界确实已经沉淀出一批相对标准化的上下文工程方案。
这些已经形成共识的做法包括：当对话线程过长、超出上下文窗口容量时对历史内容进行摘要压缩；将体积庞大的工具调用结果转移到外部存储，避免挤占上下文；通过“技能”（skills）机制实现渐进式信息披露，按需加载信息；针对工具数量众多的场景引入工具搜索；利用子智能体（subagents）实现上下文隔离；以及把 Bash 作为主要工具来使用。这些手段构成了当前智能体工程的常见工具箱。
不过，对于像 Chase 这样热衷于上下文工程的人来说，好消息是：智能体的能力，或者说人们使用智能体的方式，正在出现一次阶跃式变化。具体而言，在过去几个月里，他交谈过的每一位智能体构建者都在思考同一类新形态——主动式（proactive）、始终在线、以目标为导向的智能体。这类智能体的核心与编码智能体有许多相似之处，但同时也带来了一系列全新的挑战。
Chase 特别强调，这些新挑战目前无论是 LangChain 还是整个行业，都还没有现成的答案，至少还没有通用的解决方案。正因如此，思考这些问题成了他近来觉得最有趣的事情。文章指出，随着主动式智能体的兴起，上下文工程将面临新一轮的难题，而这也意味着“所有难题都已解决”的说法为时过早。
从时间线来看，这一判断建立在清晰的行业脉络之上：Claude Code 发布已超过一年半，Deep Agents 上线也已一年有余，智能体架构在长期磨合中逐步稳定；而主动式、常驻、目标驱动的智能体则是最近几个月才集中涌现的新方向。文章的核心信息是，架构层面的收敛不等于工程问题的终结，相反，新的使用方式正在打开新的问题空间。