過去一年多來，業界似乎正在收斂到同一種智能體架構：一個在大循環中運行、調用工具、並在沙箱環境中執行任務的大語言模型（LLM）。Claude Code 也許是這一模式最早的高關注度體現，它問世已超過一年半；而 LangChain 自家的智能體框架 Deep Agents 也已推出一週年有餘。也就是説，這種架構範式並非突然出現，而是經過了相當長時間的積累與演化。
這種趨同本身並沒有什麼問題。但 LangChain CEO Harrison Chase 最近與一些 AI 工程師交流後發現，這種趨同讓部分人產生了一種情緒：有人認為“所有困難的問題都已經解決了”，也有人覺得“已經沒有什麼新的 AI 工程問題值得去攻克”。Chase 認為，當人們表達這種看法時，他們談論的主要是讓智能體真正運轉起來的那套上下文工程（context engineering）實踐。從某種意義上説，他們並沒有説錯——業界確實已經沉澱出一批相對標準化的上下文工程方案。
這些已經形成共識的做法包括：當對話線程過長、超出上下文窗口容量時對歷史內容進行摘要壓縮；將體積龐大的工具調用結果轉移到外部存儲，避免擠佔上下文；通過“技能”（skills）機制實現漸進式信息披露，按需加載信息；針對工具數量眾多的場景引入工具搜索；利用子智能體（subagents）實現上下文隔離；以及把 Bash 作為主要工具來使用。這些手段構成了當前智能體工程的常見工具箱。
不過，對於像 Chase 這樣熱衷於上下文工程的人來説，好消息是：智能體的能力，或者説人們使用智能體的方式，正在出現一次階躍式變化。具體而言，在過去幾個月裏，他交談過的每一位智能體構建者都在思考同一類新形態——主動式（proactive）、始終在線、以目標為導向的智能體。這類智能體的核心與編碼智能體有許多相似之處，但同時也帶來了一系列全新的挑戰。
Chase 特別強調，這些新挑戰目前無論是 LangChain 還是整個行業，都還沒有現成的答案，至少還沒有通用的解決方案。正因如此，思考這些問題成了他近來覺得最有趣的事情。文章指出，隨着主動式智能體的興起，上下文工程將面臨新一輪的難題，而這也意味着“所有難題都已解決”的説法為時過早。
從時間線來看，這一判斷建立在清晰的行業脈絡之上：Claude Code 發佈已超過一年半，Deep Agents 上線也已一年有餘，智能體架構在長期磨合中逐步穩定；而主動式、常駐、目標驅動的智能體則是最近幾個月才集中湧現的新方向。文章的核心信息是，架構層面的收斂不等於工程問題的終結，相反，新的使用方式正在打開新的問題空間。