LangChain 如何重新定义生产级 Agent 构建

Agent 构建并非一蹴而就。2022 年底 LangChain 与 ChatGPT 相继问世，AutoGPT 在 2023 年初掀起热潮，这一阶段的核心是让开发者初步接触大语言模型的能力边界。2024 年至 2025 年上半年，LangGraph、Google ADK、Vercel AI SDK 等更成熟的框架陆续出现，赋予开发者对 LLM 更精细的控制权，复杂 AI 应用的构建成为可能，但真正意义上的自主 Agent 尚未成形。

转折点出现在 2025 年初至中期：模型能力跨越了关键阈值，「LLM 在循环中持续调用工具」成为 Agent 的核心算法原语。Manus、Deep Research、Claude Code 等早期 Agent 应用均遵循这一模式。在此基础上，Agent Harness 的概念逐渐清晰——开发者开始系统性地为这个循环配置合适的工具与运行环境，LangChain 的 Deep Agents 正是这一探索的早期成果之一。

规模化运行 Agent Harness 的过程中，两类经验积累加速了托管化趋势的形成。一方面，持久化执行、代码沙箱、「大脑与双手分离」等基础设施模式逐渐成为行业共识；另一方面，AGENTS.md 基础指令规范、MCP 系统集成协议、技能渐进式上下文披露等标准相继确立，为控制和驱动 Harness 行为提供了统一语言。两者共同推动了「托管智能体」体验的兴起。

将 Agent 推向生产环境，开发者面临的挑战远不止写好业务逻辑那么简单。运行时可靠性与故障恢复、事件流式回传至前端 UI、不可信代码的安全执行环境、指令与上下文的集中管理、提示词与工具变更的评估机制、Agent 的记忆持久化，以及调用方身份认证与权限控制——每一项都需要独立选型与集成。托管智能体服务的价值正在于将 Harness 与上述基础设施打包交付，让开发者无需逐一拼装。

在正式推出面向开发者的 Managed Deep Agents 之前，LangChain 已通过 Fleet 这一无代码平台积累了托管化经验。Fleet 将 Agent 定义表示为文件系统中的普通文件，支持通过 AGENTS.md、技能和 MCP 在代码与 UI 之间灵活切换，但其受众主要是非技术用户。Anthropic 的 Claude Managed Agents 则以 API 优先的方式面向开发者，引入了「dreaming」等创新概念。Vercel 的 Eve 同样以文件化表示 Agent 并捆绑基础设施。Managed Deep Agents 在继承文件化表示优势的同时，开放了自定义中间件与工具代码的能力，定位更贴近专业开发者的实际需求。

Managed Deep Agents 在 LangSmith 生态内实现了全栈整合：部署运行时依托 LangSmith Deployments，流式 UX 由 LangSmith Agent Server 与 Channels 提供，沙箱执行环境为 LangSmith Sandboxes，上下文管理通过 LangSmith Context Hub 完成，评估能力由 Harbor 支撑，记忆层在 Deep Agents 基础上有明确的设计取向，认证模块则内置于服务之中。Harrison Chase 坦言，Agent 基础设施的演进仍处于早期，更多标准与需求将持续涌现，团队希望与开发者社区共同探索和定义这些边界。

要点

• 「LLM 在循环中调用工具」是当前 Agent 的核心算法原语，2025 年初模型能力的跨越使这一范式真正落地。
• 托管智能体将 Agent Harness 与运行时、沙箱、评估、记忆、认证等基础设施打包交付，显著降低生产部署门槛。
• AGENTS.md、MCP、技能渐进式上下文等标准的确立，为控制和驱动 Agent Harness 行为提供了跨平台的统一语言。
• Managed Deep Agents 在文件化 Agent 定义的基础上，开放自定义中间件与工具代码，兼顾灵活性与易用性。
• Agent 基础设施生态仍处于早期，更多规范与工具将随规模化实践持续涌现。