LangChain 出 Managed Deep Agents：agent 變成一個檔案夾，一條指令上生產

一單嘢：agent 變成一個普通 Python 項目

LangChain 今個星期更新咗佢哋嘅 Managed Deep Agents（深度智能體托管），話而家已經喺 LangSmith Cloud 開放 public beta（公開測試版）。簡單講，佢將開放源碼嘅 Deep Agents harness（一套令 agent 有檔案系統、可以規劃工作、將任務交畀 subagents（子代理）處理嘅底層框架）跑喺 LangSmith 上面，你只負責寫 agent 做乜，運行由 LangSmith 處理。

呢個唔係新嘢，但狀態變咗：帖文喺 2026 年 5 月 13 日首次發表時係 private beta（內部測試），2026 年 11 月 2 日更新後已改為 public beta。

點用：寫檔案，唔係架伺服器

一個 Managed Deep Agent 就係一個正常嘅 Python 項目。唯一必須嘅檔案係 agent.py，用 define_deep_agent 定義 agent，揀模型（例子用 openai:gpt-5.5）、掛工具。System prompt（系統指令）放喺 instructions.md，skills/ 入面每個資料夾係一個 playbook（劇本），tools/ 入面係普通 Python 函數，tools/mcp.py 再幫你加遠端 MCP（Model Context Protocol，模型上下文協議）server 嘅工具。

由一個空目錄到部署完成，官方 quickstart 列出嗰幾條指令：

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

mda dev 會起一個本地 Agent Server 並喺 LangSmith Studio 打開 agent，你可以聊天同 trace（執行追蹤）。mda deploy 將項目送上 LangSmith，並幫你加入 model provider 嘅 key。

生產層：加檔案，唔係加服務

LangChain 講，跑一個 agent 上生產，難嘅唔係寫 agent 本身，而係圍繞佢嘅生產基建：要 survive restart（重啟）嘅 threads、執行佢寫嘅 code 嘅安全沙箱、跨對話嘅記憶、排程服務（cron server）。呢啲傳統上全部要團隊自己建同營運。

Managed Deep Agents 嘅處理方式係將呢啲生產能力（durable memory、sandbox、schedules）變成「加喺項目入面嘅檔案」，唔係「你要自己建同運行嘅服務」。每個 deployment 都跑喺 LangSmith Agent Server 上面。

佢哋自己點用

LangChain 話自己嘅產品都係咁跑：GTM Agent、Open SWE 同 Content Studio 全部行喺 Managed Deep Agents 上面。Content Studio 搬過去之後，code 量縮咗大約 80%（廠商自稱）。

要強調：呢個 80% 係 LangChain 自己嘅數，未見獨立核實。

阿調搞兩下

「加個檔案就搞掂」呢個 pitch 好順，順到我要問返：加咗去。

呢個框架嘅底線係，你嘅 agent、佢嘅指令、佢做嘅嘢，全部跑喺 LangSmith Cloud 上面。即係講，model provider 嘅 key 由佢揸住，agent 嘅執行記錄由佢記錄。呢個係廠商嘅產品架構決定，唔係技術上唯一嘅做法，但係你用咗就要知道呢個權限結構。

對用嘅團隊，呢個 pitch 嘅重點唔係「代碼少 80%」（單一家、單一案例），而係「agent 變檔案」呢個 framing 有冇真係降低營運成本，定係只係將責任轉移去平台供應商。呢個係所有 managed 產品嘅共同問題，唔止係呢個。

阿調｜深度調教