长任务Agent总在半路跑偏，问题可能不在模型

长任务 Agent 跑久了容易偏。常见反应是换更强模型、加长上下文。DeepLearning.AI 新上线一门免费短课，盯的是另一个地方：Agent 外面的循环。课程叫 Loop Engineering with LangChain Deep Agents，1 小时 16 分，8 个视频，4 个代码示例。讲师是 LangChain Deep Agents 产品经理 Sydney Runkle 和 DeepLearning.AI 课程产品负责人 Esmaeil Gargari。课程免费注册，页面标注 2 个评分作业和成就证书属于 PRO。

课程先讲基础 Agent 循环：LLM 调用工具，观察结果，再决定下一步。然后给它加四层循环。agent loop 负责执行；verification loop 让评估器按明确标准检查输出，不合格就带反馈重试；event-driven loop 把 Agent 接到 Slack 消息或 Jira ticket 上，由事件触发；hill-climbing loop 分析多次运行的 trace，找反复出现的问题，再改 Agent 的 harness。课程也会介绍 LangChain Deep Agents 如何用文件系统、指令和 skills 支撑更长任务。

评论区有人补了一句：一开始就该给重试设硬上限。这个提醒不花哨，但很关键。验证循环没有上限，小错误会变成重试风暴和账单。另一位网友说，loops 加 trace-driven harness improvements 是让长任务 Agent 真正可靠的办法。两种说法放在一起看，课程的重点就清楚了：可靠性靠工程约束，不靠一句更长的提示词。

课程案例是一个 requirements-review agent，读软件规格文档，标出事实、歧义、假设和澄清问题。开发背景的人可以把它看成需求审查 Agent 的骨架；非技术读者可以理解成，让 Agent 先学会挑文档里的毛病，再谈自动改文档。

讲师页面：

课程不解决模型能力上限，也不保证 Agent 不犯错。它给的是把错误关进循环里的工程框架。想少踩坑，先把重试上限、验证标准、触发入口和 trace 分析四件事写清楚。免费注册入口在这里，课程页在这里。