LangChain 推出 Managed Deep Agents 公测版，一条命令将智能体部署至生产环境

Deep Agents 是 LangChain 围绕一种反复出现的智能体构建模式所打造的开源框架。在实际生产场景中，有用的智能体往往需要调用工具、维护工作文件、管理长时间运行中不断增长的上下文、将任务委派给子智能体、加载特定领域技能，并在执行敏感操作前暂停等待人工审批。Deep Agents 将这些能力封装为一个可复用的框架，支持开发者自带模型、指令、工具和业务逻辑，且不绑定任何特定模型提供商。

Managed Deep Agents 在 Deep Agents 的基础上进一步解决了生产部署问题。传统生产基础设施假设请求是短暂且无状态的，而智能体往往打破这两个假设——它们可能运行数分钟乃至数天，需要在用户回复后恢复执行，在基础设施重启后不丢失状态，并在整个运行过程中保持可追溯性。从零构建这套基础设施可能耗费数月甚至数个季度，且需要持续维护。Managed Deep Agents 将这些能力作为开箱即用的生产原语提供给开发者。

沙箱支持是 Managed Deep Agents 的重要特性之一。许多实用智能体需要一个隔离的工作环境来检查文件、运行代码、安装依赖或调用命令行工具。平台为此提供了 LangSmith Sandboxes 的一级集成，开发者只需几行代码即可完成配置。默认情况下，每个持久线程拥有独立沙箱，适合编程助手等需要按对话隔离工作区的场景；也可将沙箱范围设置为智能体级别，让多个线程共享同一环境。沙箱的所有活动均会被追踪至 LangSmith，便于排查运行成功或失败时的具体行为。

评估体系方面，Managed Deep Agents 集成了 Harbor 工作流，以应对智能体评估远比传统提示词评估复杂的现实。验证智能体行为不仅需要检查最终答案，还需确认它是否调用了正确的工具、编辑了正确的文件、生成了预期的产物，以及最终工作区状态是否符合任务要求。Harbor 会在隔离环境中运行智能体并通过验证器对结果进行评分，而 Managed Deep Agents 通过 mda evals init 和 mda evals compile 两条命令自动完成打包流程，大幅降低了评估体系的搭建门槛。

从项目结构来看，Managed Deep Agents 采用代码优先的目录组织方式，将智能体的各类原语清晰分层：根目录存放主智能体文件和项目依赖，instructions.md 同步至 Context Hub 作为提示词，identity 文件处理认证与线程范围，memory 文件定义跨对话的持久记忆，tools、channels、middleware、schedules、skills、sandbox 和 evals 各自独立成目录。这种结构使团队协作和版本管理更加清晰，也便于在不同部署环境间迁移和复用智能体组件。

目前 Managed Deep Agents 已开放公测，开发者可通过 uv tool install managed-deepagents（Python）或 npm install -g managed-deepagents（TypeScript）安装工具链，随后使用 mda init、mda dev 和 mda deploy 完成从初始化到本地调试再到云端部署的完整流程。该产品面向需要将复杂智能体推向生产环境的工程团队，尤其适合那些希望专注于智能体业务逻辑而非底层运维的组织。

要点

• Managed Deep Agents 将开源框架 Deep Agents 与 LangSmith 托管运行时结合，开发者通过一条命令即可完成生产部署，无需自建持久执行、沙箱、记忆等基础设施。
• 平台内置沙箱隔离机制，支持按线程或按智能体两种作用域，适用于需要文件操作和代码执行的复杂智能体场景，且所有活动均可在 LangSmith 中追溯。
• 集成 Harbor 评估工作流，支持对工具调用、文件变更和工作区状态进行验证，解决了智能体评估远比传统模型评估复杂的核心痛点。
• 框架保持模型无关性，开发者可自带模型、提示词、工具和业务逻辑，平台仅负责运维层，确保智能体的核心差异化能力始终由开发者掌控。
• 项目采用代码优先的目录结构，将智能体各类原语清晰分层，便于团队协作、版本管理和跨环境迁移。