LangChain 把 Deep Agents 装上托管外壳：开源 harness + 托管 runtime 双层落地

LangChain 在 8 月 7 日把 Managed Deep Agents 推到了公开测试版。如果只看标题很容易把它当成「又一个 Agent 框架」，但翻到底层逻辑会发现它解决的是一个更具体的工程问题：Deep Agents 那套 harness 是开源的（你可以拿模型、拿 prompt、拿工具、拿业务逻辑自己跑），但凡要把这个 harness 搬到生产环境，就会撞上同一面墙——持久化执行、跨线程记忆、沙箱生命周期、调度、信道、评估、回放可观测——这一整套样板代码每家都要重写一遍，几个月起步。Managed Deep Agents 把这段样板代码从用户手里挪到了 LangSmith 上。

它对外长什么样？一条 CLI 路径就可以把本地一个 Deep Agent 推到托管运行时：

uv tool install managed-deepagents       # Python
# 或: npm install -g managed-deepagents # TypeScript
mda init research-assistant
cd research-assistant
mda dev       # 本地跑在 LangSmith Studio
mda deploy    # 推到 LangSmith

部署之后 LangSmith 接管的事情大致是这八件：

• 持久化执行——长跑 agent 可以暂停、重试、恢复，不丢活；
• 流式输出——用户能看到 agent 干活进度；
• 线程状态持久化——状态在轮次、重启、故障之间活下来；
• 沙箱——给 agent 一个隔离环境去读文件、写输出、跑测试、装依赖、调 CLI；
• 评估——上线前后测一遍工具调用、状态变更、最终产物；
• 信道——把 agent 接进 Slack、GitHub 这种「团队已经在干活」的地方；
• 记忆——跨对话持续的用户偏好与上下文；
• 身份——OIDC 身份把每个 end user 的线程隔离在同一个部署下。

八件里真正值得拆开看的是沙箱和评估这两件——它们决定了一个 Deep Agent 在生产里能不能被信任。

沙箱给的是一个 thread-scoped 默认值：每个持久线程自己一个沙箱，agent 的整个工作面就发生在这一个隔离环境里。这对 coding agent 特别合适——每个用户会话、每个任务都是一个干净的工地。如果业务需要多个线程共用一个工作面，可以把 scope 改成 agent。所有沙箱活动都被 trace 到 LangSmith，方便上线后回放：哪个文件被改了、哪条命令跑了、最后留下了什么状态。

评估这条线是 Managed Deep Agents 跟 Harbor 框架接起来做的。Harbor 的逻辑很工程化——给 agent 一个任务，让它在隔离环境里跑一遍，最后用一个 verifier 对产出文件、产出状态打分。LangChain 把「让 Harbor 跑得起来」这一步做成了两条 CLI：mda evals init 在 evals/ 下生成 Harbor 任务，mda evals compile 在 .mda/evals/ 下生成一个 Harbor handoff（包含编译好的 agent 产物、Harbor 运行用的 adapter、一份示例 job 配置）。Harbor 本身仍然跑在 Docker 或者用户自己选的 Harbor 环境里——它保持可移植，LangChain 给的是「从生产就绪 agent 到 Harbor 可跑产物」的桥。

信道（Channels）是这次让我多看一眼的细节。Slack 接法其实就是一个文件：

from managed_deepagents import channels
channel = channels.slack(
    on=["app_mention", "direct_message"],
    auto_reply=True,
)

运行时把这个 provider event endpoint 挂上去、验签、把身份戳打到调用上下文、原路回信。Code review agent 可以在 GitHub 上评论，support agent 可以在 Slack 上回话，团队不需要再单独搭一条集成层。这是把「用户已经在哪儿干活」这件事变成 runtime 默认行为——与 Claude Code 8-08 上线「跨会话消息」（topicId 178603064）是同一类思路的不同实现。

记忆这个抽象做得更克制：每个部署默认给一份 agent-scoped 记忆，用户在 memory.py / memory.ts 里写记忆行为，运行时用 Context Hub 兜底。部署同步 instructions 和 skills，但保留运行时学到的记忆——这意味着你可以重新部署 agent 来更新 harness 行为，而不会擦掉它学到的东西。这种「重发行为不重写经验」的设计，本质上是把 Agent 训练（harness 升级）和 Agent 使用（用户记忆）分成两层。

身份体系现在还很基础——固定的 OIDC 凭据，按 end user id 隔离线程。但它的指向很明确：未来会接入更复杂的 auth 与凭据流转，今天先把「不会因为用户在 prompt 里冒充别人就漏数据」这件事做掉。

回头看，这次发布真正有意思的不是 Managed Deep Agents 这八个能力，而是它暴露了 LangChain 对「Agent 平台层」的一个判断：用户应该拥有 harness（开源、可控、可审计），平台应该拥有 runtime（持久化、记忆、信道、沙箱、评估、可观测）。这两层的边界一旦划清，用户就不再需要为「agent 跑得稳」这件事自己造一个轮子——这跟 8-05 Cloudflare 把 ADLC + Agents 三件套做成 SDLC 默认值（topicId 178594086）、Cloudflare 在 Agents Week 把 Cloudflare.pay 推上桌（8-8 IT之家报道）是同一种「平台吸收样板代码」的范式。

公开测试版的边界写得相当克制：

• 区域：仅 LangSmith Cloud 的 US 区；
• 接口：CLI 优先，API 还在打磨；
• 其他区域和部署方式：稍后开放；
• 适合谁：想用 Deep Agents 开源 harness、又不想自己造 runtime 的团队；
• 不适合谁：需要自定义路由、需要图旁边挂应用代码、需要细颗粒度自定义 auth/持久化的——这些场景下你应该直接用 LangSmith Deployment。

已经被引用的早期客户（Fullstory 的 Chip Lay、stealth-mode startup 的 Mathieu Mailhos）讲的都是同一句话：「agent 从 idea 到 production 用小时而不是周」。这两个声音背后真正发生的事，是 LangChain 把「自建一套 harness + 托管一套 runtime」这条原本需要几个月造轮子的路径，压缩到几条 CLI——这才是这次发布在产品上跨出去的那一步。

事件源：

• LangChain 官方博客：https://www.langchain.com/blog/managed-deep-agents-is-now-in-public-beta
• LangSmith Managed Deep Agents quickstart：https://docs.langchain.com/langsmith/python/managed-deep-agents-quickstart
• LangSmith Managed Deep Agents tutorial：https://docs.langchain.com/langsmith/python/managed-deep-agents-tutorial
• Deep Agents 开源 harness 总览：https://docs.langchain.com/oss/python/deepagents/overview
• LangSmith Sandboxes：https://docs.langchain.com/langsmith/sandboxes
• Harbor 评估框架：https://www.harborframework.com/docs