LangChain 把设计 agent 放进 Slack，最难的活是删规则

LangChain 最近开源了 Content Studio，一个住在 Slack 里的设计 agent。你丢一段需求，它回你视频、社交图、幻灯片，甚至重绘的 UI 图。所有资产都用代码写。

官方放了一段它自己做的小片：像素丛林里一只鹦鹉站在树枝上。视频里最容易被忽略的点是，这只鹦鹉可以左移。它不用重新生成整段素材，改一个时间值再渲染就行。

这背后的思路值得拆开看。很多设计 agent 的 demo 停在生成一张图，LangChain 花了四个月处理另一件事：让输出像自己公司的作品，并且能持续修改。

Content Studio 在公司内部已经跑了 3000 多个资产，80 多份幻灯片。X 上带它视觉的帖子拿到约 450 万浏览。LangChain 账号上，这类帖子的点赞约 2 倍、书签约 3.7 倍。四分之三的请求来自市场部以外，75% 用户每周会回来。中位请求的模型成本约 50 美分，9 月中旬还是约 8 美元。迁移到 Managed Deep Agents 后，他们自己的代码缩了约 80%。

这些数字好看，但文章里更有意思的是过程。早期反馈很差。LangChain 的 GTM 工程团队和设计团队一起，把设计师的判断写进 agent 的技能和检查里。Anthropic 把模型默认滑向常见模式的行为叫 distributional convergence。Stripe 设计负责人 Katie Dill 用 zombie UI 警告类似风险：快速复制现代主义的干净外形，丢掉背后的思考。她的提醒是，AI 也会这样，你得有自己的观点。LangChain 的说法更直接：模型已经会写 HTML、CSS、图表 spec 和动画时间线，但它没有你的上下文，会在每个没被 brief 覆盖的决策上，填它见过最多的答案。

他们给 Content Studio 的不只是品牌色和字体。还有设计原则，比如一帧一个焦点；反 AI 套路护栏；每条反馈背后的理由。一个例子是早期动效：鸟飞出画面，身后拖一条光带，要求 no sharp edges。第一版边缘生硬。设计师的意思是边缘要软，尾巴要收细、淡出，方向跟鸟的运动相反。到后面，agent 会自己画草图定位鸟尾，再做逐帧检查，确保光带根部贴在尾巴上。多数观众不会注意这个细节，但不对就会觉得别扭。

另一个反直觉点：规则会过期。他们最早做了 115 个可复用 UI 组件，想帮模型少做创意决策。结果 agent 每帧重复同样的布局和动画。Opus 5.5 出来后质量跳了一档，他们回头删掉大部分硬编码规则，只留设计原则和高层指导，变化反而更多。LangChain 把这叫自己的 Bitter Lesson。补模型短板的规则，会随模型变强而失效；工具、上下文、人怎么指导工作，更耐用。

评论区里 John Rood 提了个更实际的问题：删规则可以，但每条规则得带 why。很多规则是一次坏运行留下的疤，过一个月看像随意规定，删了又会重新踩坑。Huilong 也提醒，像 use neon just for this launch 这种一次性例外，不该被慢学习循环吸收成共享规则。这两个问题说明，记忆和规则不是越多越好，得能区分公司标准、个人偏好和一次性例外。

Harness 部分。每个 Slack thread 有自己的 LangSmith Sandbox，一台隔离 Linux 机器，有文件系统和 shell，项目在 thread 生命周期里一直保留。幻灯片是 HTML，图表是 data spec，视频是 animation timeline。鹦鹉左移就是改一个值。工具层：HyperFrames 是 HeyGen 开源视频框架，把视频变成网页，GSAP 时间线移动元素；motion-studio 是自建 canvas 引擎，逐帧画像素，每帧混合最多 16 个时刻做出快门模糊。故事板一帧约 50 毫秒，成片一秒要 8 到 40 秒，所以 agent 先在故事板里便宜地试方向，批准后做 animatic，再进生产。Paper 画布通过 MCP 让 agent 直接控制文件，团队在同一份文件里并排比较方向、在具体帧上留评论。为了在云沙盒里跑 Paper Desktop，他们在常开 Linux worker 上无头运行，用虚拟显示和认证桥接。

长任务靠异步子 agent。主 agent 更像 chief of staff，拆任务、派活、并行跑，Slack 里显示计划、ETA、运行状态、渲染进度、花费和审批卡。工具包括 start_task、check_tasks、cancel_task、resume_task、report_progress、schedule_wakeup。一个过夜任务是重做 52 页幻灯片，主 agent 跑约一小时，子 agent 合计工作六小时以上，对话没被堵住。

记忆两个 loop。快 loop 在用户给反馈的同一轮保存规则，分团队共享和私人两层，每层有 AGENTS.md，每次模型调用加载。早期文件涨到 50 万 tokens，现在限制在 200 行索引。慢 loop 用 learn_from_job 在任务后起一个轻量 subagent，最多记五条有证据的教训，关联到所用技能；未来任务会读和评分，每周后台 agent 把有用的并进技能和 wiki。

现在这个 repo 开源了，包含沙盒电脑、技能、wiki、记忆、异步子 agent 和 Slack UX。你可以 fork，加品牌 token、字体和技能，再用 Managed Deep Agents 部署到团队 Slack。对设计师来说，角色更像创意总监，定方向、审作品。对 PM、工程师、创始人来说，他们能在 Slack 里把需求丢给 agent，拿走能上线的资产。

很多 agent 产品还在证明自己能生成。LangChain 这篇复盘给出的判断更冷静：生成只是起点，能改、能审、能记住为什么，才是公司愿意每天用的原因。