长任务Agent总掉链子，LangChain把四个循环拆开讲了

DeepLearning.AI 和 LangChain 合作出了一门免费短课，Loop Engineering with LangChain Deep Agents。课程 1 小时 16 分，8 个视频，4 个代码示例，推荐有 Python 基础的人上手。Harrison Chase 转发了开课消息。入口在 DeepLearning.AI，推文里的短链指向课程页。

课程把长任务 Agent 拆成四类循环：

1. Agent loop：LLM 调工具，看结果，决定下一步。基础执行循环。
2. Verification loop：评估器按明确标准检查输出，不合格就带反馈重试。
3. Event-driven loop：Slack 消息或 Jira 工单触发 Agent 自动跑分析和验证。
4. Hill-climbing loop：分析多次运行的 traces，找重复问题，改 harness，让下一轮表现更好。

课程用 requirements-review agent 串起来：分析软件规格里的事实、歧义、假设、澄清问题。这个例子具体，也能看出循环怎么落地。Deep Agents 提供文件系统、指令和技能，支持长任务。课程还讲怎么把评估标准写成 rubric，怎么从 trace 里找反复出现的问题。

值得留意的是 Loop Engineering 这个提法。听起来像新词，拆开看都是工程脏活：评估、触发、复盘。它把 Agent 可靠性从一次性输出挪到多轮系统里。多数 demo 靠一次漂亮回答就能过关，长任务不行，得靠循环把错误暴露出来、把修正接上。课程没有停留在概念，4 个代码示例分别对应这些循环。

适合谁：正在搭长任务 Agent 的人，拿框架对一遍自己的系统会有收获。普通读者也能借它理解 Agent 为什么需要多轮验证和外部事件，聊天框问答之外还有一层系统设计。课程免费注册，页面上的 PRO 测验和成就另算。

课程入口：https://bit.ly/4kfDJxR

外链课程页：https://www.deeplearning.ai/courses/loop-engineering-with-langchain-deep-agents