Deep Agents 用递归语言模型对抗上下文窗口腐烂

LangChain 在 Deep Agents 中引入递归语言模型（RLM），解决长上下文场景下的"上下文腐烂"问题。传统 Agent 将所有信息塞入单一窗口，随上下文增长推理质量急剧下降。

RLM 的核心思路是让 Agent 编写代码，通过轻量级代码解释器派生子 Agent，将长输入拆分为独立上下文块，并支持 grep、map、reduce 等编程式并行处理。在 OOLONG 长上下文推理基准上，RLM 方法在逐轮对话 Agent 开始失效时仍能保持稳定表现。

这一设计将 Agent 从"被动填充上下文"转向"主动编排计算"，对构建可扩展的深度 Agent 系统具有工程参考价值。