Deep Agents v0.6 正式釋出，此次更新聚焦於模型層、智慧體層、規模化及時間維度上的效能提升。新版本帶來了四項重要特性：程式碼直譯器、模型適配配置檔案、流式傳輸 v3 以及增量通道，同時引入了 ContextHub 後端，為智慧體的行為塑造提供版本化協作基礎。
程式碼直譯器是本次釋出的核心亮點之一。它為智慧體提供了一個可程式設計的工作空間，能夠實現資料轉換、工具呼叫協調，並將中間結果保留在模型上下文之外。智慧體透過編寫程式碼表達意圖，由記憶體執行時執行並返回相關結果。與沙箱不同，程式碼直譯器專注於智慧體迴圈內部的程式碼驅動操作。這帶來了兩種新能力：模型無關的程式化工具呼叫（PTC）和遞迴工作流。PTC 允許智慧體在執行時內呼叫工具，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。遞迴工作流則利用直譯器維持外部工作狀態，使智慧體能夠持續追問、收集證據，並最終合成答案。安裝 Python 的 deepagents[quickjs] 或 Node.js 的 @langchain/quickjs 即可啟用。
模型適配配置檔案解決了開源模型與現成工具鏈之間的相容性問題。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，直接使用可能導致效能折損。Deep Agents v0.6 將模型適配配置檔案作為一等抽象，支援對比、版本管理和切換。官方為主流模型預置了配置檔案，確保開箱即用的高效能，同時開放自定義介面，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型別化投影。開發者可以透過 stream.messages、stream.subagents 等投影精確訂閱所需事件，無需手動解析原始流。新的流式協議同時支援本地和遠端執行，LangGraph SDK 透過 client.threads.stream(...) 提供 SSE 或 WebSocket 傳輸。前端方面，本次釋出了 @langchain/react、@langchain/vue、@langchain/svelte 和 @langchain/angular 的 v1 整合，配套 Stream Cookbook 示例集合，幫助團隊快速構建豐富的流式體驗。
增量通道應對長執行智慧體的檢查點儲存膨脹問題。基於 LangGraph 執行時，智慧體在每一步都會進行檢查點快照，導致儲存量隨對話長度呈二次方增長。增量通道僅儲存狀態差異，對於訊息歷史和檔案，可將檢查點儲存縮減 10-100 倍。在模擬的 200 步多檔案編碼會話中，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）。這大幅降低了資料庫寫入瓶頸和規模化儲存成本，同時保留完整的可恢復性與可觀測性。
最後，ContextHub 後端整合了 LangSmith Context Hub，為智慧體的技能、策略和記憶提供版本化協作空間，使一次執行的成果能夠持續改進後續執行。這些特性共同使 Deep Agents 成為更強大、更經濟、更易於擴充套件的智慧體框架。