devgo.cn核心观点
- Managed Deep Agents 进入公开测试：在 Python/TypeScript 里编写 Deep Agent，本地测试后一条命令 `mda deploy` 部署到托管运行时，无需自建基础设施。
- 它是开源 agent harness（Deep Agents）的生产化配套：模型、指令、工具、中间件、子 Agent 全部自持，LangSmith 负责运行时、持久化、沙箱生命周期与部署。
- 开箱即得生产原语：持久化执行（可暂停/重试/恢复）、流式输出、跨线程状态、沙箱代码执行、评估、频道接入、记忆与身份边界。
- 项目以代码优先形态组织在仓库目录里：agent 定义、指令、工具、channels、skills、sandbox、evals 各归其位，指令同步到 Context Hub。
内容精讲
Deep Agents 是 LangChain 团队开源的 Agent harness——围绕「长时运行、需要工具与文件、上下文增长、可委派子 Agent、按需加载技能、敏感操作等人审批」这套反复出现的模式做的可复用骨架。Managed Deep Agents 则把这套 harness 装进一个托管运行时：构建 Agent 仍然简单，运行 Agent 的脏活累活由 LangSmith 接下。
**从原型到生产的路径被压到最短。** 安装 CLI（`uv tool install managed-deepagents` 或 npm），`mda init` 生成项目骨架，`mda dev` 在本地 LangSmith Studio 里跑，`mda deploy` 一键部署。部署流程做了三件事：编译项目、把部署方拥有的上下文同步到 LangSmith Context Hub、上传构建产物并创建托管部署。开发者控制的是模型选择、系统指令、工具、中间件、子 Agent 和业务逻辑——也就是真正让 Agent「与众不同」的部分。
**生产基础设施是 Agent 时代的隐形税。** 多数生产基础设施假设请求短命、无状态，而 Agent 常常同时违反这两条假设：运行分钟级到天级、中途等人审批、用户回复后恢复、边工作边流式输出、还要扛住基础设施重启。多步 Agent 需要的持久化线程、内存、取消、重试与可追踪性（模型调用、工具调用、文件、错误、运行时状态），从零自建要花数月甚至数季度，还得持续维护。Managed Deep Agents 建立在 LangSmith Deployment Agent Server 之上，把这些运维模式打包成更适合 Deep Agents 的运行时。
**默认的沙箱与可观察性。** 很多实用 Agent 需要一个隔离的工作环境：检查文件、写输出、跑测试、装依赖、调 CLI、执行代码。Managed Deep Agents 对 LangSmith Sandboxes 提供一等支持——`define_sandbox(provider="langsmith", scope="thread")` 几行代码即可。默认每个持久化线程一个沙箱（适合每用户/任务独立工作区的编码 Agent），也可设成 agent 级共享；沙箱的供给、生命周期和清理全部托管，活动自动追踪进 LangSmith。
**项目结构即架构。** 一个 Managed Deep Agent 是仓库里的代码优先项目：agent.py、instructions.md（同步到 Context Hub 的提示词）、identity.py（认证与线程/内存作用域）、memory.py、tools/、channels/（Slack、GitHub 等入口）、middleware/、schedules/（托管 cron）、skills/、sandbox/ 和 evals/。每个原语一个文件，结构本身就是文档。
**生产 Agent 的完整清单。** 文章把生产 Agent 需要的原语逐项列出：持久化执行（长任务暂停/重试/恢复不丢工作）、流式输出（用户看进度）、持久化（线程状态跨轮次/重启/故障存活）、沙箱、评估（部署前后测行为/工具/状态变化）、channels（在 Slack 等工具里见用户）、记忆（跨对话带持久上下文与偏好）、身份（以正确用户上下文与访问边界行动）。对还在「手动拼装」这些能力的团队，这就是一张直接可勾选的交付清单。
阅读价值
对正在把 Agent 推向生产的团队，它提供了一条「免运维」路径与完整原语清单，可以对照评估托管 vs 自建的成本；对 Agent 框架研究者，代码优先 + 目录即架构的项目组织方式值得参考。
内容与图片版权归原作者所有 · 原文: https://www.langchain.com/blog/managed-deep-agents-is-now-in-public-beta