Today for AI
返回全部资讯
LangSmith 推出托管深度智能体 简化生产部署LangChain BlogT1·智能体与协同

LangSmith 推出托管深度智能体 简化生产部署

原标题：Managed Deep Agents: the fastest way to ship a production deep agent
68AI 研判分

LangSmith 正式推出“托管深度智能体”（Managed Deep Agents）公共测试版，允许开发者将开源 Deep Agents 框架直接运行在 LangSmith 云平台上。该方案采用“文件夹即项目”的开发范式，通过 `mda deploy` 一键部署，并内置持久化记忆、沙箱和定时任务等生产级能力，显著降低了构建自主智能体的基础设施门槛。

报道正文

本文目录11 个章节

Deep Agents

推出托管式 Deep Agents（Managed Deep Agents）

核心要点

  • 托管式 Deep Agents 在 LangSmith 上运行开源的 Deep Agents 框架。你只需定义 Agent 的行为，LangSmith 负责将其部署到生产环境。
  • 一个 Agent 就是一个项目文件夹。你可以使用 mda dev 在本地进行测试，并通过 mda deploy 进行发布。
  • 持久化记忆、沙箱和定时任务等生产能力，只需作为文件添加到项目中即可，无需自行构建和运行独立服务。

‍

推出托管式 Deep Agents（Managed Deep Agents）

更新于 2026 年 11 月 2 日。托管式 Deep Agents 已在 LangSmith Cloud 上开启公开测试版，本文现在描述的是其当前的工作方式。该功能最初于 2026 年 5 月 13 日启动私有测试版。

托管式 Deep Agents 允许你将深度 Agent（deep agent）构建为一个包含文件的文件夹，并通过一条命令将其部署到 LangSmith。你只需编写 Agent 的指令和工具并选择模型，LangSmith 便会运行 Deep Agents 框架及其周边的生产运行时环境。无需维护服务器，也无需搭建基础设施。

例如，一个支持类 Agent 可以在 Slack 频道中回答问题，并在每晚清理陈旧工单，这些行为均声明为其项目中的文件。托管式 Deep Agents 已在 LangSmith Cloud 上开启公开测试版，快速入门指南可引导你从空目录开始，直至完成 Agent 的部署。

我们为何构建它

构建功能强大的 Agent 正变得越来越容易。开源的 Deep Agents 框架已经赋予 Agent 文件系统能力，使其能够规划工作并将部分任务移交给子 Agent（subagents）。

然而，将该 Agent 投入生产环境仍然是一项繁重的工作。除非在生产环境中运行，否则 Agent 无法实现主动交互或多用户协作。它需要能够在重启后依然存活的线程，以及一个安全的环境来运行其生成的代码。此外，它还需要跨对话持久的记忆功能和操作记录。团队往往需要在 Agent 触达单个用户之前，就构建并运维所有这些组件，包括用于管理定时任务的 cron 服务器。

托管式 Deep Agents 为你承担了这一层负担。每次部署都在 LangSmith Agent Server 上运行，为你提供持久化线程和流式运行体验，而无需你自己运维服务器。

我们就是这样构建自己的 Agent 的。GTM Agent、Open SWE 和 Content Studio 都运行在 Managed Deep Agents 之上，当我们将 Content Studio 迁移过来时，其代码量减少了约 80%。

Agent 就是一个文件文件夹

Managed Deep Agent 本质上是一个普通的 Python 项目。唯一必需的文件是 agent.py，它通过 define_deep_agent 来定义 Agent。以下是快速入门指南中的研究助手示例：‍

PYTHON
from managed_deepagents import define_deep_agent

agent = define_deep_agent(
    name="research-assistant",
    model="openai:gpt-5.5",
    tools=[{"type": "web_search"}],
)

**‍**系统提示词位于同目录下的 instructions.md 文件中，而 skills/ 下的每个文件夹都包含一个 playbook（行动手册），Agent 会在任务需要时加载它。工具则是 tools/ 目录下普通的 Python 函数，你需要将它们导入到 agent.py 中；此外，tools/mcp.py 可以从远程 MCP 服务器添加工具。

几条命令即可将项目从一个空目录变为部署状态。‍

BASH
uvx --from managed-deepagents mda init research-assistant
cd research-assistant
uv sync
uv run mda dev
uv run mda deploy

mda dev 会启动一个本地 Agent Server，并在 LangSmith Studio 中打开该 Agent，你可以在其中与其聊天并检查其追踪记录（traces）。mda deploy 会将项目发布到 LangSmith，并将你的模型提供商密钥添加到部署配置中。如果你希望由编码 Agent 来完成设置，managed-deep-agents skill 会引导它完成相同的步骤。

按需添加 Agent 所需的功能

每一项托管功能都是项目中的一个文件或文件夹，mda deploy 会自动配置它所发现的内容。这让你可以仅从 agent.py 开始，随着 Agent 的成长逐步添加其他组件。

  • 记忆（Memory）。 默认情况下，Agent 仅记住当前会话线程。添加 memory.py 后，它可以在不同线程间保留知识，支持所有调用者共享的层级、每个用户独立的私有层级，或两者兼有。
  • 定时任务（Schedules）。 schedules/ 目录下的文件可让 Agent 按照 cron 表达式定时运行，mda deploy 会在部署上线时自动配置该任务。
  • 渠道（Channels）。 通过 channels/slack.py，用户可以从 Slack 发起任务并在同一对话中获取 Agent 的回答。任何能够发送 webhook 的服务都可以通过 HTTP 发起任务。
  • 沙箱（Sandbox）。 sandbox/ 为 Agent 提供隔离的文件系统和 Shell 环境，用于执行其生成的代码。
  • 身份与连接（Identity and connections）。 identity.py 用于验证调用者身份，确保每位用户拥有私有的会话线程、记忆和凭证。Connections 负责存储 API 密钥并处理 OAuth 流程，使最终用户能够授权自己的账户，而无需你为每个账户单独配置凭证。
  • 子代理（Subagents）。 你可以在 Agent 定义中声明 subagents。异步子代理会在后台运行，同时主 Agent 继续与用户交互。
  • 评估（Evals）。 mda evals init -i 会在 evals/ 目录下设置一个 Harbor 评估工作区，并交由编码 Agent 编写具体的测试任务。

例如，一个定时任务只需在 schedules/daily_digest.py 中添加几行代码即可实现。

PYTHON
from managed_deepagents import define_schedule

schedule = define_schedule(
    cron="0 8 * * 1-5",
    timezone="America/Los_Angeles",
    prompt="Write the daily digest.",
)

有些能力无需任何文件即可实现。Agent 可以使用由 Parallel 驱动的内置网络搜索，无需单独注册账户或获取 API key，并且可以在浏览器中工作，当网站需要登录时会将控制权交还给你。若要在特定工具调用前暂停以等待人工审批，请在 agent 定义中设置 interrupt_on。

从你的应用或 MCP 客户端调用

每个部署都提供 Agent Server API，因此你自己的应用程序可以创建线程并流式传输运行过程，或者你可以基于它构建自定义前端。部署还在 /mcp 路径下提供一个 MCP 端点，这使得 Claude Code 等 MCP 客户端可以将 agent 作为工具进行调用。

团队正在构建什么

在公开测试版中，各团队在 Managed Deep Agents 上运行着各种类型的 agent，其中几种模式反复出现：

  • 事件分诊（Incident triage）。 Agent 接收发布到 Slack 频道的监控警报，在其沙箱中进行调查，并在该线程中报告调查结果。一些团队还会让它提交包含修复方案的 pull request。
  • 工程工作流。 来自团队 issue 跟踪器的 webhook 触发一次运行，agent 通过“构建-验证”循环处理任务。其他团队则让 agent 在预览环境中使用浏览器测试修复方案，然后再由人工审核。
  • Slack 中的内部助手。 团队为每种职能部署一个 agent，例如 HR 政策助手或管理项目工具中团队任务的财务助手。
  • 产品内的 Agent。 面向客户的 agent 通过 Agent Server API 在公司自有前端背后运行，并具备按用户隔离的记忆功能，确保每位客户的上下文相互独立。
  • 长期运行的项目 Agent。 每个项目对应一个 agent，保留该项目的记忆，并随着工作的推进为其项目经理处理任务。
  • 定时任务。 模拟公司职能（如销售或产品）的 agent 按计划运行，无需人工提示即可生成竞品分析和营销素材。

根据实际使用情况改进 Agent

Managed Deep Agents 将 Agent 的指令和技能保存在 LangSmith Context Hub 中。每次执行 mda deploy 时，都会从你的项目中同步 instructions.md 和 skills/ 目录，你可以在 Context Hub 中直接编辑它们，以便快速修改而无需重新部署。如果自你上次部署以来，Hub 中的副本已被他人更改，CLI 会询问你要保留哪个版本。

持久化记忆也存储在 Context Hub 中，Agent 在工作过程中会向其写入数据。例如，一个支持类 Agent 在学习了你团队的升级路径后，会在后续的所有对话中保留这一信息。

运行过程会在 LangSmith 中进行追踪，因此你可以查看每一次工具调用和中间步骤。LangSmith Engine 基于这些追踪数据来发现反复出现的问题并诊断其成因。当你将其与 Agent 的 Context Hub 仓库连接后，它可以针对指令和技能提出修复建议。

基于开源 Deep Agents 构建

Managed Deep Agents 运行相同的开源框架，具备相同的 Agent 循环、文件系统工具、子 Agent 和技能。在代码层面，区别在于由谁编译 Agent。create_deep_agent 返回一个已编译的 Agent，由你负责运行，并且你需要自行管理其后端、存储、检查点（checkpointer）和服务器。define_deep_agent 接受相同的参数（减去运行时管理的部分），并返回一个定义，由托管运行时为你进行编译。

如果你已经使用 create_deep_agent 构建了一个 Agent，从 Deep Agents 迁移指南将指导你完成转换过程。如果你希望对托管拥有完全控制权，Deep Agents SDK 可在你自己的基础设施上运行相同的框架。

开始使用

请遵循快速入门指南部署一个研究助手。随后，教程将在同一个项目中添加自定义搜索工具、持久化记忆和每日调度功能。

我们非常乐意了解你构建的内容，哪些默认配置效果良好，以及在哪些方面你需要更多的控制权。