LangChain 在 LangSmith Cloud 公测 Managed Deep Agents

介绍托管深度代理

更新于 2026 年 11 月 2 日。托管深度代理已在 LangSmith 云上进入公开测试版，本文档现在描述了它当前的运行方式。它最早于 2026 年 5 月 13 日运行，当时我们开启了私人测试版。

托管深度代理允许你将深度代理作为一个文件夹中的文件构建，并通过一条命令将其部署到 LangSmith。你编写代理的指令和工具，选择模型，LangSmith 将运行深度代理的框架和围绕它的生产运行时。无需运行服务器，也无需连接基础设施。

例如，一个支持代理可以在 Slack 频道中回答问题，并在每晚清理过期的工单，这些都被声明为其项目中的文件。托管深度代理已在 LangSmith 云上进入公开测试版，快速入门指南将带你从空目录到部署的代理。

我们为什么要构建它

构建一个有能力的代理正变得越来越容易。开源的深度代理框架已经为代理提供了一个文件系统，并允许它规划自己的工作，并将部分工作委托给子代理。

在产品中运行该代理仍然是一项大量工作，并且除非它在产品中运行，否则代理不可能主动或多人协作。它需要能够在重启后存活的线程和一个安全的代码运行位置。它还需要在对话之间持续存在的内存和一个记录它所做事情的记录，团队最终在代理到达单个用户之前构建和操作所有这些。它需要一个 cron 服务器来管理计划运行。

托管深度代理将这一层从你的任务中移除。每次部署都在 LangSmith Agent Server 上运行，它为你提供持久的线程和流式运行，而无需操作服务器。

我们用自己的代理这种方式构建。GTM Agent、Open SWE 和 Content Studio 都运行在托管深度代理上，当我们将其迁移过来时，Content Studio 的代码减少了大约 80%。

代理是一个文件夹中的文件

一个托管深度代理是一个普通的 Python 项目。唯一必需的文件是 agent.py，它使用 define_deep_agent 定义代理。这是快速入门中的研究助手：‍

from managed_deepagents import define_deep_agent

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

‍系统提示位于 instructions.md 的旁边，skills/ 下的每个文件夹都包含代理在任务调用时加载的策略。工具是 tools/ 下的普通 Python 函数，你将其导入 agent.py，tools/mcp.py 从远程 MCP 服务器添加工具。

几个命令将项目从空目录带到部署。‍

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

mda dev 启动本地 Agent Server 并在 LangSmith Studio 中打开代理，你可以在其中与它聊天并检查它的跟踪记录。mda deploy 将项目发送到 LangSmith 并将你的模型提供者的密钥添加到部署中。如果你希望有一个编码代理来完成设置，managed-deep-agents 技能将引导它完成相同的步骤。

添加代理需要的内容

每个托管功能都是项目中的一个文件或文件夹，mda deploy 设置它找到的所有内容。这允许你从 agent.py 开始，并在代理成长时添加部分。

内存。 默认情况下，代理仅记住当前线程。添加 memory.py 后，它会在跨线程保持知识，在所有调用者共享的层中，每个用户一个私有层，或两者兼有。
计划。 schedules/ 下面的文件按 cron 计划运行代理，mda deploy 在部署上线后为其进行配置。
渠道。 使用 channels/slack.py，用户可以从 Slack 开始运行，并在同一对话中获得代理的答案。任何可以发送 webhook 的服务都可以通过 HTTP 启动运行。
沙盒。 sandbox/ 为代理提供一个隔离的文件系统和 shell，用于运行其编写的代码。
身份和连接。 identity.py 对调用者进行身份验证，因此每个人都会获得私有的线程、内存和凭证。连接存储 API 密钥并运行 OAuth，因此最终用户可以授权他们自己的账户，而不是你为每个账户配置凭证。
子代理。 你在代理定义中声明子代理。一个异步子代理在代理与用户保持通信时在后台运行。
评估。 mda evals init -i 在 evals/ 下设置一个 Harbor 评估工作区，并将其交给编码代理编写任务。

例如，一个计划就是 schedules/daily_digest.py 中的一几行代码。

from managed_deepagents import define_schedule

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

Some capabilities need no file at all. The agent can use built-in web search powered by Parallel without a separate account or API key, and it can work in a browser, handing control to you when a site needs a login. To pause for human approval before selected tool calls, set interrupt_on in the agent definition.

从你的应用或 MCP 客户端调用它

每个部署都提供 Agent Server API，因此你的应用程序可以创建线程和流式传输运行，或者你可以在其上构建自定义前端。部署还提供 /mcp 处的一个 MCP 端点，这允许像 Claude Code 这样的 MCP 客户端将代理作为工具调用。

团队正在构建什么

公共测试版的团队在 Managed Deep Agents 上运行各种代理，并且一些模式反复出现：

事件分类。 代理获取发布到 Slack 频道的监控警报，在其沙盒中调查它们，并在线程中报告其发现。一些团队让它打开一个包含修复的拉取请求。
工程工作流。 来自团队问题跟踪器的 webhook 启动运行，代理在任务上执行构建和验证循环。其他团队让代理在人工审查之前使用浏览器在预览环境中测试修复。
Slack 中的内部助手。 团队为每个工作部署一个代理，例如 HR 政策助手或管理团队任务在项目工具中的财务助手。
产品内的代理。 面向客户的代理通过 Agent Server API 在公司自己的前端后面运行，每个用户都有单独的内存，因此每个客户的上下文都保持分离。
长时间运行的项目代理。 每个项目一个代理保持该项目的内存并处理其项目经理的任务，随着工作的进行。
计划工作。 模仿公司职能（如销售或产品）的代理按计划运行，并产生竞争性评论和营销资产，而无需任何人提示它们。

从实际使用中改进代理

Managed Deep Agents 将代理的指令和技能保存在 LangSmith 上下文中心。每个 mda deploy 同步 instructions.md 和 skills/ 从你的项目，并且你可以在上下文中心中编辑它们以进行快速更改而无需重新部署。如果有人在你上次部署后更改了中心副本，CLI 会询问要保留哪个版本。

持久化内存也存储在 Context Hub 中，代理在运行时向其中写入数据。一个学习你团队升级路径的支持代理会将其保留在后续的每一次对话中。

运行情况在 LangSmith 中进行跟踪，因此你可以阅读每一个工具调用和中间步骤。LangSmith 引擎根据这些跟踪信息来揭示重复出现的问题并诊断其根本原因。当你将其连接到代理的 Context Hub 存储库时，它可以对指令和技能提出修复建议。

基于开源 Deep Agents

托管 Deep Agents 运行相同的开源框架，具有相同的代理循环、文件系统工具、子代理和技能。在代码层面，区别在于谁编译代理。create_deep_agent 返回一个编译好的代理供你运行，你拥有围绕它的后端、存储、检查点和服务器。define_deep_agent 接收相同的参数（减去运行时管理的那些），并返回一个由托管运行时为你编译的定义。

如果你已经使用 create_deep_agent 构建了一个代理，从 Deep Agents 迁移将引导你完成转换过程。如果你希望完全控制托管环境，Deep Agents SDK 将相同的框架运行在你的自有基础设施上。

开始使用

遵循快速入门来部署一个研究助手。然后，教程将为同一个项目添加一个自定义搜索工具、持久化内存和每日计划。

我们很乐意了解你构建的内容、默认设置有效的地方以及你需要更多控制的地方。

‍