在2026年的AGI讨论中,Sequoia Capital指出,AGI的核心在于把事情搞定(Figure things out)的能力。如果说过去是AI的Talkers时代,那么2026年则是Doers的元年,这一转变的核心载体正是Long Horizon Agents(长程智能体)。
作为LangChain的创始人,Harrison Chase在这场变革中扮演了重要角色。本文编译了Sequoia Capital的Sonya Huang & Pat Grady对Harrison Chase的最新访谈,揭示了为什么Agent正迎来其爆发的“第三个拐点”。
核心洞察包括:Long Horizon Agents为复杂任务提供高质量初稿;Agent的突破需要围绕模型构建的有主见的软件外壳(Harness);通用Agent可能就是一个Coding Agent;Traces成为新的"Source of Truth";经过长时间磨合的Agent将形成极高的moat;理想的Agent交互是异步管理和同步协作的统一。
Harrison Chase同意Long Horizon Agents终于开始真正work了,让LLM在循环中运行并自主决策一直是Agent的核心理念。现在的模型变强了,我们在过去几年也学到了什么是好的Harness,所以它们开始真正起作用了。我们最先在Coding领域看到这一点,也正在向其他领域扩散。
Sonya Huang问Harrison Chase最喜欢哪些Long Horizon Agents的例子,Harrison Chase提到Coding领域的例子最多,AI SREs也是个很好的例子,如Sequoia投资的Traversal。Agent的问题在于达不到99.9%的Reliability,但能做大量工作,并且能在更长的时间跨度上工作。
Harrison Chase解释了Framework、Harness和模型的区别,并讨论了Deep Agents的构成。他认为,现在的趋势是以前那些为了约束模型而写在LangGraph里的特异性,正转移到工具和Instructions中。Harness某些部分确实与模型深度绑定,但共性依然存在,比如都基于文件系统。
Harrison Chase还讨论了让Harness高效运转的关键,包括深刻理解模型训练数据、压缩、Skills、MCPs和Sub-agents的运用。他提到,目前主流Coding Benchmark会将经过Harness的Agent与模型分开列出,说明模型厂商未必天生更擅长此道。
Harrison Chase认为,“让LLM在循环中运行并自我编排的算法,让它自己决定把什么拉入Context”这一极简且通用的Agent核心理念终于实现了。未来的手工Scaffolds会越来越少,目前像压缩这类操作还很依赖Harness作者的手动设计。
Pat Grady问Harrison Chase所有Agent是否最终都是Coding Agent,Harrison Chase表示这是个大问题,他深信构建Long Horizon Agent必须给它文件系统权限。
Harrison Chase讨论了构建Long Horizon Agent与构建传统软件的不同。他认为构建Agent时,逻辑不全在代码里,很大一部分来自模型。这意味着不能只看代码就推断Agent在特定场景下的行为,必须实际运行。
他还提到Trace正成为团队协作的支点,出问题时大家会说“看看Trace”。构建Agent更加Iterative,需要在发布前进行更多迭代。
Harrison Chase讨论了Trace作为Agent开发的核心产物以及其他Eval方面的组件。他提到建立人类判断的Proxies,即LLM-as-a-Judge,并讨论了其在Evals、自动纠错、Memory中的应用。
Sonya Huang问这个Eval是RL的Reward Signal还是给工程师改进Harness的反馈,Harrison Chase表示其实是给Agent工程师改进Harness的。
Harrison Chase非常看好Memory,认为它是真正的Moat。他讨论了Long Horizon Agents的UI会如何演变,认为需要Sync mode(同步模式)和Async mode(异步模式)的结合。
他还讨论了Code Sandboxes的重要性,认为所有Agent都应该能访问文件系统,Coding能力是标配。
本文由主机测评网于2026-06-16发表在主机测评网_免费VPS_免费云服务器_免费独立服务器,如有疑问,请联系我们。
本文链接:https://vpshk.cn/20260647746.html