Deep Agents v0.6 正式發佈，此次更新聚焦於模型層、智能體層、規模化及時間維度上的性能提升。新版本帶來了四項重要特性：代碼解釋器、模型適配配置文件、流式傳輸 v3 以及增量通道，同時引入了 ContextHub 後端，為智能體的行為塑造提供版本化協作基礎。
代碼解釋器是本次發佈的核心亮點之一。它為智能體提供了一個可編程的工作空間，能夠實現數據轉換、工具調用協調，並將中間結果保留在模型上下文之外。智能體通過編寫代碼表達意圖，由內存運行時執行並返回相關結果。與沙箱不同，代碼解釋器專注於智能體循環內部的代碼驅動操作。這帶來了兩種新能力：模型無關的程序化工具調用（PTC）和遞歸工作流。PTC 允許智能體在運行時內調用工具，無需每一步都回傳模型，從而減少令牌消耗和模型往返次數。遞歸工作流則利用解釋器維持外部工作狀態，使智能體能夠持續追問、收集證據，並最終合成答案。安裝 Python 的 deepagents[quickjs] 或 Node.js 的 @langchain/quickjs 即可啓用。
模型適配配置文件解決了開源模型與現成工具鏈之間的兼容性問題。開源模型如 Kimi、Qwen 和 DeepSeek 在特定工裝格式和提示慣例上存在差異，直接使用可能導致性能折損。Deep Agents v0.6 將模型適配配置文件作為一等抽象，支持對比、版本管理和切換。官方為主流模型預置了配置文件，確保開箱即用的高性能，同時開放自定義接口，方便開發者針對自身棧進行調優。內部測試表明，僅適配層調整即可使 GPT-5.2-codex 在 Terminal-Bench 2.0 上從 52.8% 提升至 66.5%，GPT-5.3-codex 在 tau2-bench 上提升 20%，Opus-4.7 提升 10%。
流式傳輸升級至 v3，帶來了統一的事件流和類型化投影。開發者可以通過 stream.messages、stream.subagents 等投影精確訂閲所需事件，無需手動解析原始流。新的流式協議同時支持本地和遠程運行，LangGraph SDK 通過 client.threads.stream(...) 提供 SSE 或 WebSocket 傳輸。前端方面，本次發佈了 @langchain/react、@langchain/vue、@langchain/svelte 和 @langchain/angular 的 v1 集成，配套 Stream Cookbook 示例集合，幫助團隊快速構建豐富的流式體驗。
增量通道應對長運行智能體的檢查點存儲膨脹問題。基於 LangGraph 運行時，智能體在每一步都會進行檢查點快照，導致存儲量隨對話長度呈二次方增長。增量通道僅存儲狀態差異，對於消息歷史和文件，可將檢查點存儲縮減 10-100 倍。在模擬的 200 步多文件編碼會話中，傳統方式消耗 5.27 GB，而增量通道僅需 12 MB（原文中註明的數字，實際已截斷）。這大幅降低了數據庫寫入瓶頸和規模化存儲成本，同時保留完整的可恢復性與可觀測性。
最後，ContextHub 後端集成了 LangSmith Context Hub，為智能體的技能、策略和記憶提供版本化協作空間，使一次運行的成果能夠持續改進後續運行。這些特性共同使 Deep Agents 成為更強大、更經濟、更易於擴展的智能體框架。