中文精炼导读
核心观点
- LangChain 推出 Managed Deep Agents：一个 API-first 的托管运行时，把开源 Deep Agents harness 的"运维层"打包进 LangSmith，让开发者专注 agent 行为，而不是重造运行时。
- 核心判断是"构建 agent 越来越容易，运营才是难的部分"：长周期运行的 agent 需要持久化执行、流式输出、检查点、工具访问、沙箱、记忆、追踪和反馈回路，自己搭这些基础设施会占用大量时间。
- 你的 agent 定义（AGENTS.md、skills/、subagents/、tools.json）仍保留在仓库里，LangChain 托管运行时负责线程、检查点、流式、上下文与可观测性。
- Context Hub 让 agent 拥有"随时间持久化的上下文"：运行之间可以复盘对话、从真实使用中学习、更新自己的操作笔记，从而不断改进——而不是只在部署时靠 prompt 里的内容。
- 产品价值定位明确：面向需要长时间工作、用工具、保留上下文、产出制品的 agent 场景，包括支持与工单、研究、编码、数据分析、内部运营等。
内容精讲
文章开篇就给出一个犀利的判断：构建有用的 agent 正在变得越来越容易，但把它们跑在生产环境里依然很难。长周期运行的 agent 需要的远不止一次模型调用——持久化执行、流式输出、记忆、文件系统、工具访问、人工审批、沙箱、追踪，以及一套让 agent 不断改进的反馈机制。这些基础设施如果每个团队都自己搭建，等于在 agent 还没有触达用户之前，就要先维护一套运行时代码。Managed Deep Agents 的定位就是把这一整套运维层托管起来，打包在开源 Deep Agents harness 周围，让开发者能专注于"agent 的行为"而非"agent 的运行时"。
产品最初以私有 beta 形式向设计合作伙伴开放，2026 年 8 月 7 日起进入公开 beta。API 路径为 /v1/deepagents，支持以编程方式创建、更新、管理并运行 agent，可嵌入你自己的应用或内部平台工作流。托管运行时提供持久化线程（durable threads）、流式运行（streaming runs）、检查点（checkpointing）和人机协同（human-in-the-loop）工作流。这意味着你不必自己搭建自定义的 agent server，就能从产品里创建 agent、更新配置、创建线程并流式运行。
在上下文与文件方面，Managed Deep Agents 保留了 Deep Agents 熟悉的项目形态：AGENTS.md、skills/、subagents/、tools.json。这些文件定义了 agent 的行为方式、可用工具、可加载的专业技能，以及可以委派工作的子代理；它们被存到 LangSmith 并做版本管理，让 agent 定义能随时间演进。Context Hub 则给 agent 一个托管的位置来保留和更新跨运行所需的上下文——这对需要记住用户偏好、项目细节、研究笔记、操作规程的 agent 很关键。可选的 LangSmith Engine 会审查 agent 的 traces，找出 prompt 与代码层面的 bug 和改进点；在两次运行之间，agent 可以复盘对话、从真实使用中学习并更新 Context Hub 文件。文章给了一个具体的例子：一个工单分类 agent，LangSmith Engine 注意到用户反复询问同一内部流程，于是自动更新它的操作笔记。
工具与沙箱方面，工具通过 tools.json 配置（与 Deep Agents 同一套模型），可以在任意工具上启用 human-in-the-loop 审批；托管运行时还支持沙箱化执行，适用于需要代码、shell 命令和文件 I/O 的工作流，例如数据分析、文件操作、运行脚本或产出制品。这样团队不必为每个 agent 重新搭建工具和沙箱，配置可以集中在托管运行时里通过 LangSmith 统一操作。可观测性方面，Managed Deep Agents 的运行自动接入 LangSmith 的 tracing：团队可以检查工具调用、调试行为、审查中间步骤、理解 agent 随时间如何改进——复用他们已经在用的 LLM 应用可观测性工作流。
使用方法上是 API-first：先用 Managed Deep Agents API 创建或更新 agent，再上传或引用定义它的文件（指令、技能、子代理、工具配置），然后从你的应用创建线程并流式运行，全程无需部署自定义 agent server；运行过程中可以在 LangSmith 里检查 traces 和 agent 上下文。
产品面向的使用场景非常明确：支持与工单 agent（跨长线程工作、保留先前上下文、必要时升级、从重复问题中更新自己的操作笔记）、研究 agent（收集来源、写笔记、保留中间发现、跨多个会话产出交付物）、编码 agent（需要文件系统、shell、工具访问与可恢复执行）、数据分析 agent（运行代码、保留制品、在探索式工作流中维持上下文）、内部运营 agent（入职助手、策略 agent、工作流协调者，从重复使用中改进自身上下文）。这些 agent 需要的不是"一段 prompt + 一次工具调用"，而是一个支持持久化工作的运行时。文章最后给出清晰的路径建议：想要开源 harness 先用 Deep Agents overview；要把 harness 产品化部署时，再用 Managed Deep Agents 把它部署到 LangSmith。
阅读价值
适合正在构建生产级 agent 应用的工程师与架构师：这篇文章清楚说明了"agent 行为"与"agent 运行时"的分工，以及 LangChain 托管方案的取舍（保留仓库中的 agent 定义、由平台托管持久化与可观测性）；如果你正在评估自己搭运行时 vs 用托管平台，这里给出了明确的判断框架与适用场景清单。
本文为中文精炼导读,由 AI 基于原文整理,内容与图片版权归原作者所有。原文: https://www.langchain.com/blog/introducing-managed-deep-agents