LangChain：超七成托管Deep Agent运行来自定时任务而非人工输入
LangChain博客称，Muse、Instinct、Dots、Claude Duet、Hone等主动型agent产品普遍以cron定时任务驱动；在其Managed Deep Agents上，超过70%的运行由计划任务触发。
AI解读：LangChain把“主动型agent”归结为一个简单机制：agent以cron任务运行，按固定节奏被唤醒并执行提示词，从而在用户未手动输入时也能发起行动。该判断来自LangChain自家博客，统计口径也限于其Managed Deep Agents在LangSmith上的运行。
文中给出5类cron解锁的能力：后台整理历史对话以更新长期记忆（文中称“dreaming”）、按目标周期性探索新行动并主动发消息、监控Slack或邮件等信息流做筛选提醒、按用户要求定时提醒，以及由编排agent周期性唤醒检查异步子任务进度。
LangChain称，构建这类agent需要两个部分：一个易用的cron服务器，支持自定义调度、附带提示词与所需权限，并在同一时间点任务过多时做抖动分散负载；以及一个受约束的agent友好接口，让agent能设置和修改提醒。
需要区分适用范围：文中列举的Muse、Instinct、Dots、Claude Duet、Hone等产品只是被点名作为采用该模式的例子，博客未给出这些产品各自的定时运行占比或效果数据，70%这一数字仅对应LangChain自家平台的运行记录。
LangChain在一篇博客中提出，近期出现的一批“主动型agent”产品——文中点名Muse、Instinct、Dots、Claude Duet、Hone等——背后大多是同一套机制：agent以cron定时任务的方式运行。cron是操作系统里已有五十多年历史的定时调度机制，如今被用于让agent按节奏自行启动。
该博客给出的一个量化数据是：在LangSmith上运行的Managed Deep Agents中，超过70%的运行来自计划任务，而不是用户手动输入消息。这一比例来自LangChain自家平台的运行统计，博客未披露统计时间窗口与具体样本量。
cron在主动型agent里承担的五类动作
博客把定时任务的作用拆成几项具体能力。其一为记忆：后台按某个节奏（例如每天一次）运行任务，把既往对话压缩成更紧凑的长期记忆，文中把这种做法口语化地称为“dreaming”。
其二为主动性：agent围绕某个目标，按节奏（例如每小时）被提示去探索新行动，并把结果以主动消息的形式推给用户；对通用助手而言，目标可能是提示临近截止日期、跟进未结事项或推送与工作相关的新闻。
其三是信息筛选：定时任务（例如每十分钟）查看Slack、邮件等信息流，把值得注意的内容通知用户。其四是跟进提醒：用户要求稍后提醒某事时，用定时任务在指定时间唤醒agent。其五是编排：一个编排agent可以周期性唤醒自己，检查异步子任务的进度。
搭建所需的两部分与平台内置支持
LangChain称，构建这类agent通常需要两块基础。第一是稳健的cron服务器：开发者能用任意调度添加任务，并附带要运行的提示词；任务运行所需的技能或权限也应一并配置；若同一时间点运行量过大，服务器应做轻微抖动以分散负载。第二是agent友好的接口，让agent能以简单但受管控的方式设置和修改提醒。
在LangChain的Managed Deep Agents中，平台提供内置cron服务器来动态触发agent运行。博客称一次计划运行“看似简单”：实际就是按调度触发传入的提示词，线程和记忆归属于创建该调度的主体。调度既可在agent定义中静态声明，也可在运行时通过Schedules SDK由agent动态创建。
- 静态调度示例：用define_schedule声明cron表达式、时区和提示词，例如工作日早8点读取销售报告并发送KPI摘要。
- 动态调度示例：把Schedules SDK包装成工具，提供创建、列出、删除当前用户调度的能力。
- 轻量场景示例：用check_in_later工具在若干分钟后对当前用户运行一次提示词。