"Port Hope"

Reflections 是 Gumloop 的 Agent 自主学习系统——Agent 定期回顾自身历史对话，自动识别跨对话的模式、错误和优化机会，并生成具体的改进建议。

五步反思流程：

1. Gather Recent Activity — Agent 聚合自上次反思以来的所有操作：工具调用、对话记录、错误日志
2. Mine for Patterns — 自动检测重复请求类型、持续错误、低效工具序列、重复抓取的数据。每个候选模式附带置信度分数和支持交互计数
3. Validate with Transcripts — Agent 阅读真实对话记录验证每个候选模式是否为"真实的、跨交互一致的、值得修复的"。一次性事件、已解决的问题、任务固有模式被丢弃
4. Check Existing Knowledge — Agent 检查当前 Instructions 和 Skills 确保建议的修改尚未被覆盖，同时检查之前的 Reflections 是否已处理过
5. Propose Improvements — 对每个验证过的模式，Agent 选择合适的改进类别并撰写详细建议

四种改进类型：

• New Skill：发现≥3 步的重复工作流模式（如"Jira 搜索→筛选→格式化"模式出现 8 次）
• Skill Fix：现有 Skill 能处理但遗漏边缘情况
• Instruction Update：行为规则或领域知识（如"始终用 UTC 时间"、"用户偏好蓝色主题"）
• Tool Access：Agent 在用 hack 方式绕过缺失的集成（如用 sandbox curl 替代 API 工具）

Apply 行为：Review Queue（默认，所有建议需人工确认后生效，推荐生产/面向客户的 Agent）或 Auto-Apply Eligible Reflections（低风险、证据充分建议自动应用，推荐内部助手）。

调度：通过 Cron 表达式配置，默认每日 UTC 22:00。建议高频 Agent 每日运行，低频 Agent 每 2-3 天或每周。

报告投递：支持 Email 报告和 Slack DM 报告（均默认关闭，需显式开启）。

与 Self-Improve Instructions 和 Skill Editing 的关系：三者构成 Agent 学习体系——Self-Improve Instructions（对话中实时更新 Prompt）和 Skill Editing（对话中创建/修改 Skills）是反应式的；Reflections 是主动的，发现用户自己可能没注意到的跨对话模式。

Queue and Steer 改变了 Agent 交互的基本范式。此前用户必须等 Agent 执行完才能发送下一条消息，现在是"实时协作式"交互。

消息排队机制：

• Agent 运行期间，用户可在输入框上方看到排队消息列表
• 系统在 Agent 完成当前步骤后（如处理完一个工具调用）自动投递队列中下一条消息
• Agent 将排队消息视为"在那一刻发送的"——保持完整的对话上下文
• 如果 Agent 在消息投递前已完成响应，消息转为普通后续消息

用户可执行的操作：排队多条消息（Agent 响应期间持续添加）、附加文件/图片到排队消息、点击消息编辑文本（在投递前修改）、拖拽重新排序队列、删除未投递的消息、重试发送失败的消息。

Steering（引导）能力：在 Agent 执行到自然断点（工具调用完成）时注入方向调整——"聚焦 Q3 数据"、"截止日期是周五"、"更简洁"、"先做 A 再做 B"——任何引导指令。Steering 消息成为对话历史的一部分，Agent 维护完整上下文。

MCP Artifacts 将 Agent Artifacts 系统与 MCP 协议打通。具体能力：

• 交互式仪表盘：HTML Artifacts 可通过 MCP 实时拉取外部服务数据（如通过 Slack MCP 拉取频道消息、通过 Google Calendar MCP 获取日程），渲染为实时仪表盘
• 交互式表单：HTML Artifacts 不仅展示数据，还可以通过 MCP 写回外部服务——如用户填写表单后 Agent 通过 MCP 工具创建 Jira Issue、发送 Slack 消息、或提交 GitLab MR
• 打通「生成→发布」管道：Agent 生成内容（报告、图表、代码）后，通过 MCP 直接推送到外部服务——不再需要用户手动导出再上传

架构上，Artifacts 的 HTML 沙箱通过 Gumloop 的安全代理 (fetch('/gumloop/data/...')) 与 MCP 服务器通信——安全代理自动剥离敏感请求头，确保沙箱不直接访问外部网络。

帮助中心暂无独立 "MCP Artifacts" 页面；以上基于 Agent Artifacts（Interactive HTML / Live Data Scripts）+ Custom MCP Servers 两份文档的交叉验证。

Subagent 执行时长从 15 分钟提升至 1 小时——4 倍提升。根据官方文档，Subagent 拥有约父 Agent 一半的执行预算。1 小时上限意味着父 Agent 可能拥有更长执行窗口。

文档中的超时处理：Subagent 超出时间限制时，系统先发送优雅中断信号（graceful abort），若仍不停止则强制取消。

此次升级使 Subagent 可覆盖的场景从"轻量并行任务"扩展到"深度分析/批量处理"：大规模数据集分析（此前 15 分钟限制使大文件处理不可行）、竞争对手全面调研（跨多个数据源的长链搜索+分析）、批量文档生成/处理、复杂的多步骤代码审查。

与 v9.0.0 Subagents 原始发布的关系：v9.0.0 建立了多 Agent 架构（并行、广播、Worktree 隔离），v9.7.0 大幅扩展了每个 Agent 的执行深度。两者结合——并行 + 深度——让 Agent 协作从"分头做小事"升级为"分头做大事"。

此前 Agent 启动时将所有工具的定义（名称、描述、参数 Schema）一次性加载到上下文窗口。对于连接了大量 MCP 工具的 Agent，工具定义本身可消耗数千 token。Lazy Tool Loading 改为按需加载——Agent 只在实际需要调用某个工具时才加载其详细定义。

收益：

• 上下文窗口释放：工具定义从"常驻开销"变为"即时加载"，为实际任务释放更多 token
• Token 成本降低：不需要为每次对话加载全部工具定义
• 启动速度提升：Agent 初始化时无需等待所有工具 Schema 加载

官方文档中无独立的 "Lazy Tool Loading" 页面，功能逻辑基于 changelog 描述推断。

Agent Chat 新增语音输入。录音或上传音频文件后，Gumloop 在服务端转录，Agent 只收到文本转录结果，原始音频不传递。

支持格式：MP3、MP4、MPEG、MPGA、M4A、WAV、WebM。最大文件 25 MB。

转录模型：OpenAI Whisper（广泛语言支持）、GPT-4o Transcribe（高准确率、口音/噪音处理更好）、GPT-4o Mini Transcribe（更快/更便宜）。系统自动选择最佳模型。使用 BYOK 时转录消耗用户自己的 API Key（含 50% credit 折扣）。

GitLab MCP 提供了完整的 GitLab DevOps 工具集。Agent 可通过 MCP 协议直接操作仓库、分支、提交、合并请求、Issue 和 CI/CD 流水线。这是 GitLab 作为独立 MCP 服务器（而非通用代码工具）的首次完整集成。