Deep Agents v0.7：Agent 框架开始减肥，少给提示反而更强
LangChain 发布 Deep Agents v0.7，最有意思的不是加了多少新功能，而是它主动删掉了很多东西。默认系统提示被移除，内置工具描述被压缩，TodoListMiddleware 变成 opt-in。结果默认 Agent turn 的 base input tokens 从大约 6k 降到大约 2k。
这很像 Agent 工程的一次风向转变。过去大家做 Agent，习惯往系统提示里堆规则，往工具描述里堆例子，往流程里加计划器、待办列表、反思器、总结器。看起来更完整，实际可能更贵、更慢，也更容易把模型注意力带偏。
Deep Agents v0.7 的判断是：现代模型更强之后，很多旧提示已经变成负担。好的工具 schema 比大量 few-shot examples 更能教模型如何使用工具；同一条指令在 system prompt 和 tool description 里重复，也不会神奇增强遵循度，只会增加上下文噪音。
这就是 context engineering 和 prompt engineering 的区别。Prompt engineering 关注“怎么写一句更好的提示”；context engineering 关注“模型在每一步到底应该看见什么、不应该看见什么、什么时候该忘、什么时候该压缩、什么时候该保留精确前缀”。Agent 不是一次问答，context 会在循环里不断膨胀，控制上下文就是控制成本和能力。
v0.7 里 TodoList 变成 opt-in 也很有意思。待办列表对长任务、低能力模型、UI 展示很有用，但不一定应该默认开启。对一些模型来说，强制写 todo 反而会增加 token 和流程负担。更成熟的框架应该允许开发者根据任务选择脚手架，而不是默认把所有脚手架套上。
另一个重要变化是可配置性。开发者可以更容易替换默认 middleware，例如调整 summarization 的触发阈值和提示词。这个方向很对，因为不同应用的上下文风险不一样。代码 Agent 要保留文件路径和决策，研究 Agent 要保留证据链，客服 Agent 要保留用户状态和权限边界。
这篇文章可以和 OpenAI ARC-AGI-3 那篇连起来看：Agent 能力越来越取决于 harness。一个好的 harness 不只是把工具塞给模型，而是管理上下文、减少重复、避免 bloat、保留必要记忆，让模型在长任务里少浪费思考。
我的判断是，Agent 框架接下来会进入“减法竞争”。谁能少占上下文、少花 token、少引入隐藏提示冲突，同时保持可观测和可配置，谁就更适合生产。Agent 工程不再是堆料，开始变成真正的系统设计。