LangChain推出Managed Deep Agents托管运行时并开启封测

Introducing Managed Deep Agents | Interrupt 26 — LangChain

LangChain

大模型需依托具备执行环境、上下文逐出与单步持久化检查点的专用Harness架构,才能在企业生产环境中稳定运行长程任务。

AI-assisted summary of Introducing Managed Deep Agents | Interrupt 26 — original source. Check the original for full context.

Source published:

Key ideas

  • LangChain 正式发布 Managed Deep Agents 私有测试版(Private Beta),作为 API 优先的托管运行时,为长周期运行、规划、写文件和调用子代理的 Deep Agents 提供企业级生产环境支撑。 (10:52)
  • Deep Agents 开源框架通过执行环境、上下文管理、子代理委托以及人机协同转向(Human-in-the-Loop)四大支柱,解决长程任务中的上下文溢出与任务拆解难题。 (2:14)
  • Managed Deep Agents 基于 LangSmith Deployment 构建,原生集成单步状态持久化检查点(Checkpointing),支持步骤失败断点续跑、分支回放及异步人工休眠等待。 (12:23)
  • 配套推出的 LangSmith Sandboxes 提供隔离代码执行环境,通过 Auth Proxy 机制防止敏感凭证泄露,并支持毫秒级环境快照(Snapshot)与恢复(Restore)。 (16:12)

Detailed notes

## Background 该视频由 LangChain 于 2026 年 5 月 29 日发布在 YouTube 平台上。视频记录了 LangChain 在 Interrupt 26 大会上的主题演讲,由 Sydney Runkle 与 Victor Moreira 共同展示开源 Deep Agents 框架以及全新发布的 Managed Deep Agents 私有测试版(Private Beta),旨在为开发者提供 API 优先的托管运行时来构建与运维深度智能体。

## TL;DR 演讲首先解构了智能体的本质,指出模型必须配合包含文件系统、记忆、工具与子代理的 Harness 才能发挥实际业务价值,并详细拆解了 Deep Agents 的四大核心能力:执行环境、上下文管理与渐进式技能揭示、子代理委托以及人机协同转向。随后,演讲重点转向如何应对长程智能体走向生产环境的严苛工程挑战,正式推出了基于 LangSmith Deployment 的托管解决方案 Managed Deep Agents。该平台依托四大支柱构筑,涵盖单步状态检查点与持久化执行、三层细粒度安全鉴权、管理上下文与记忆资产的 Context Hub,以及具备凭证隔离代理与毫秒级快照还原能力的 LangSmith Sandboxes。

## Atmosphere & style 整场演讲呈现出典型的前沿开发者大会风格,节奏紧凑高效、技术密度极高,兼具系统工程的严谨与技术发布的振奋感。Sydney 与 Victor 配合默契,前者以清晰条理的架构思维层层剖析开源框架的设计哲学,后者则以务实且切中工程痛点的口吻揭示生产级落地的艰难挑战。台下观众反应热烈,台上演讲者在技术直觉与工业级可靠性之间自如切换,生动传递出 Agent 体系从实验原型迈向严肃工业化基础设施的质感。

## Bulletin - [10:52](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=652s) LangChain 正式发布 Managed Deep Agents 私有测试版(Private Beta),作为 API 优先的托管运行时,为长周期运行、规划、写文件和调用子代理的 Deep Agents 提供企业级生产环境支撑。 - [02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents 开源框架通过执行环境、上下文管理、子代理委托以及人机协同转向(Human-in-the-Loop)四大支柱,解决长程任务中的上下文溢出与任务拆解难题。 - [12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) Managed Deep Agents 基于 LangSmith Deployment 构建,原生集成单步状态持久化检查点(Checkpointing),支持步骤失败断点续跑、分支回放及异步人工休眠等待。 - [16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) 配套推出的 LangSmith Sandboxes 提供隔离代码执行环境,通过 Auth Proxy 机制防止敏感凭证泄露,并支持毫秒级环境快照(Snapshot)与恢复(Restore)。

## Key takeaways - [00:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=20s) 广义 Agent 本质是模型加工具调用循环,而完整实用的 Agent 必须依靠 Harness(脚手架)在恰当时间为模型注入准确的上下文以赋予其自主性。 - [02:35](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=155s) 执行环境是 Deep Agents 的底层基石,以文件系统为起点支持读写临时文件、加载记忆与技能,并可按需外挂 Sandbox 或代码解释器激发动态解题能力。 - [05:15](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=315s) 为应对长任务上下文膨胀,Deep Agents 内置上下文逐出(Context Offloading)和自动摘要,将冗长历史转移至文件系统,确保运行稳定性。 - [05:47](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=347s) 框架支持供应商中立的 Prompt 缓存与渐进式技能披露(Progressive Disclosure),初始仅加载技能元信息,真正触发时再按需拉取完整代码以节省 Token 预算。 - [07:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=440s) 子代理机制具备上下文隔离、任务并行化及跨模型灵活搭配三大优势,允许开发者根据任务复杂度精准匹配前沿大模型或廉价轻量模型。 - [08:35](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=515s) 系统原生支持人机协同转向(Human-in-the-Loop),内置批准、编辑、驳回以及主动发起中断提问的回应等四种标准化交互决策模式。 - [09:03](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=543s) Deep Agents 具备完全的模型与供应商无关性,并通过外围中间件(Middleware)机制支持业务逻辑注入、PII 脱敏合规及运行期动态控制。 - [11:38](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=698s) Managed Deep Agents 基于 LangSmith Deployment 构建高可用生产级运行时,借助定制任务队列与水平扩展能力应对客服等场景下的突发流量冲击。 - [12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) 依托 LangGraph 运行时的持久化检查点设计,长链条任务发生崩溃时仅需单步重试,且支持状态回放、分支探索及无限期等待人工审批。 - [13:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=800s) 生产级鉴权涵盖入口鉴权(Inbound)、外部工具/MCP 动态凭证出口鉴权(Outbound),以及基于 RBAC 与 ABAC 的管理控制面权限防护体系。 - [14:02](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=842s) 平台原生支持 Remote Graph 单行远程调用、智能体间通信协议(A2A),并出厂封装了用户连发追问(double texting)与飞行中任务强行终止等异常状态机处理。 - [15:07](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=907s) Context Hub 负责集中存管与版本化审计 agent.md、skills 技能及用户记忆,支持多环境发布流,并结合 LangSmith Engine 利用生产轨迹自动优化提示词与技能。 - [16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) LangSmith Sandboxes 内置认证代理(Auth Proxy),在避免真实环境变量暴露给脚本的前提下安全调度第三方凭据,并具备毫秒级环境快照与重置能力。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=0s) 什么是 Agent 与 Harness:连接模型与现实世界的桥梁

开场由来自 LangChain 的开源工程师 Sydney Runkle 与产品经理 Victor Moreira 共同主持。Sydney 首先抛出一个基础定义来解构智能体:广义上的 Agent,本质上就是一个极其简单的大语言模型(LLM)与工具调用(Tool-Calling)的循环——模型在循环中不断调用工具,直到任务彻底完成并返回最终结果。然而,仅仅依靠模型本身无法真正进入实际工作流,Sydney 将完整的 Agent 公式化表达为“模型 + Harness(运行框架/脚手架)”。Harness 代表着将模型与现实世界连接起来的一切外围设施,它包裹在模型周围,包含技能(Skills)、记忆(Memory)、基础系统提示词(Base System Prompt)、各类外部工具、子代理(Sub-Agents)以及所有相关的上下文信息。

```mermaid flowchart TD accTitle: Agent 与 Harness 架构关系 accDescr: 展示大语言模型如何通过 Harness 的各类外围组件与外部现实世界交互并完成任务。 subgraph Harness["Agent Harness 运行框架"] SP["基础系统提示词 (Base System Prompt)"] SK["技能库 (Skills)"] MEM["短/长期记忆 (Memory)"] TOOLS["外部工具 (Tools)"] SUB["子代理群 (Sub-Agents)"] end MODEL["大语言模型 (LLM)"] <--> Harness Harness <--> WORLD["外部环境与真实数据"] ```

关于 Harness 的核心职责,Sydney 给出了一针见血的概括:“So, the job of a harness is to get the model the right context at the right time for the given task.”(因此,Harness 的职责就是在正确的时间为模型提供执行特定任务所需的正确上下文。)她强调,模型的强大程度完全取决于其所接收到的上下文质量,而 Harness 正是为了弥合这一关键差距而存在的。在实际业务中,开发者需要 Harness 来支撑 Agent 必须具备的几大基础属性:

- **提供行动环境以赋予自主性(Agency)**:Agent 必须在能真正采取行动的环境中工作,正是这种能够执行操作的能力赋予了它们自主性,也使得 Agent 真正具备实用价值。 - **连接业务数据**:使 Agent 采取的每一个动作都切合具体的业务使用场景。 - **管理长时间运行中持续膨胀的上下文**:有效防止长程任务中的上下文溢出(Context Overflow)。 - **任务并行化能力**:面对复杂的综合任务,能够并行调度以高效完成。 - **敏感工作流中的人机协同(Human-in-the-loop)**:在涉及高危或敏感决策的环节中引入人类介入。 - **随时间推移自主进化**:通过经验积累与记忆沉淀,让 Agent 的表现越用越好,持续保持可用性与相关性。

---

[02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents 概览与第一项能力:执行环境与文件系统

基于上述实际需求,Sydney 正式介绍了 LangChain 推出的开源解决方案 Deep Agents。Sydney 对其定性道:“Deep Agents is a customizable agent harness that's purpose-built for complex real-world tasks.”(Deep Agents 是一个专为复杂的现实世界任务量身定制的可自定义 Agent Harness。)整个 Harness 围绕四大核心支柱能力构建:执行环境(Execution Environment)、上下文管理(Context Management)、任务委托(Delegation),以及基于人机协同的转向控制(Steering)。

```mermaid flowchart LR accTitle: Deep Agents 的四大核心能力 accDescr: 展示 Deep Agents 框架的四大支柱:执行环境、上下文管理、任务委托以及人机协同转向。 subgraph DeepAgents["Deep Agents 核心支柱"] direction TB C1["1. 执行环境<br/>文件系统 / Sandbox / 代码解释器"] C2["2. 上下文管理<br/>逐出 / 摘要 / 记忆 / 渐进式技能"] C3["3. 任务委托<br/>规划工具 / 通用与专业化子代理"] C4["4. 人机协同转向<br/>批准 / 编辑 / 驳回 / 询问回应"] end ```

在深入剖析各项特性时,Sydney 将执行环境称为整个系统的底层基石:“This capability powers all of the rest.”(这项能力为其他所有能力提供了底层动力。)整个执行环境以文件系统为起点。Agent 在处理工作时,可以利用文件系统读写草稿便签与临时文件(Scratch Files),在关键执行路径(Hot Path)上加载和持久化保存记忆,并在遇到具体任务时灵活调用相应技能。Sydney 指出,LLM 天生就非常擅长使用文件系统,因为模型在预训练和对齐阶段就经历过海量代码和系统交互数据的训练。在基础文件系统之上,开发者还可以为其配备沙箱(Sandbox)或轻量级的代码解释器(Code Interpreter)。这种代码执行环境为模型提供了安全隔离的编写与运行空间,极大激发了 Agent 在运行时的动态行为与创造性解题能力。

---

[04:48](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=288s) 第二项核心能力:上下文管理与渐进式技能揭示

Sydney 坦言,在 Harness 的各项职责中,上下文管理可能是最为繁重也最关键的一项。长程运行或处理海量信息的 Agent 极易受到“上下文溢出”的困扰。为此,Deep Agents 原生集成了上下文逐出(Context Offloading)和自动摘要机制。在运行过程中,系统会周期性地将冗长的历史消息(无论是大段人类提问、庞大的工具调用参数,还是工具返回的大型数据载荷)直接逐出转移到文件系统进行外部持久化,从而防止对话窗口被快速挤爆;同时,当历史记录逐渐逼近模型的上下文窗口极限时,系统会触发自动摘要,双管齐下保障长周期运行的稳定性。

关于记忆和技能机制,Sydney 特别强调了记忆对 Agent 的深远影响:“I would argue that memory is maybe the most important kind of context, because it's the context that changes from run to run, and allows your agent to improve over time.”(我认为记忆可能是最重要的一种上下文,因为它是唯一会在每次运行之间动态演化、并使你的 Agent 能够随着时间推移不断进化的上下文。)

为了在保持高效的同时控制运行成本,Deep Agents 还配备了以下上下文优化能力:

- **供应商中立的 Prompt 缓存(Prompt Caching)**:在频繁发生调用的大上下文场景中,最大化利用缓存命中,大幅降低 Token 消耗成本。 - **渐进式技能披露(Progressive Disclosure)**:系统在初始化系统提示词(System Prompt)时,仅加载技能的极简元信息,告知模型当前有哪些能力可用;当特定任务真正需要调用对应技能时,Agent 才会按需、动态地将完整的技能代码与资源拉取进来并在脚本中执行,避免了一开始就将海量工具描述全部塞入上下文窗口而造成拥挤与性能退化。

---

[06:43](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=403s) 第三与第四项能力:子 Agent 委托与人机协同转向机制

随着 Agent 执行周期拉长并承接越发复杂的流水线工作,单靠一个循环已无法胜任,必须具备任务规划与拆解委托的能力。Deep Agents 内置了专门的规划工具,模型可以借此对复杂任务制定步骤清单,并开箱即用地支持子 Agent(Sub-Agents)机制。子 Agent 既可以是通用型的,也可以高度专业化。例如在构建复杂的软件工程 Coding Agent 时,主 Agent 可以配备专门负责架构设计的子 Agent、专注于代码审查与安全合规的子 Agent,以及专门负责编写与运行测试用例的子 Agent。

Sydney 详细拆解了子 Agent 不可替代的三大优势: 1. **上下文隔离**:主 Agent 派发子任务时,子 Agent 仅携带与该特定任务相关的全新上下文启动;任务完成后,子 Agent 仅将精简后的最终产物回传给主 Agent,不会将其繁琐的中间推理与工具调用污染主窗口。 2. **任务并行化**:多项子任务可以同时并发推进,大幅缩减端到端的整体耗时。 3. **模型与复杂度匹配**:子 Agent 完全支持跨模型和跨供应商搭配,Sydney 强调:“So you can match model capability with task complexity.”(这样你就能将模型的实际能力与具体任务的复杂程度精准匹配。)低难度的数据抓取可使用轻量廉价模型,高难度的架构决策再调度前沿大模型。

第四项支柱是第一公民级别的人工介入(Human-in-the-loop)转向控制,主要解决两类刚需:在执行高风险敏感操作前获取用户实时确认,以及在模型遇到阻碍陷入死胡同时通过提问获取用户指导以解脱阻塞。在具体交互范式上,Deep Agents 内置了四种标准的决策流模式:

- **批准模式(Approval)**:例如在最终发送敏感业务邮件前交由人工审批放行。 - **编辑模式(Edit)**:例如在正式对外发布推文之前,允许人工在界面上直接修改文本内容。 - **驳回模式(Reject)**:例如检测到可疑的大额金融转账提案时直接拒绝执行。 - **回应模式(Respond)**:Agent 在执行途中主动发起中断(Interrupt),向人类提问以获取关键缺失信息,进而打破执行停滞。

---

[09:03](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=543s) 为何选择 Deep Agents:模型无关性与强大的中间件扩展

在深入剖析四大能力后,Sydney 将话题引向 Deep Agents 的设计哲学与横向优势。首要特性是彻底的模型与供应商无关性(Provider Agnostic)。开发者可以随意接入主流商业模型提供商(如 Anthropic、OpenAI、Google),通过 Ollama 本地部署私有模型,或者选择接入 Fireworks、NVIDIA、OpenRouter、Baseten 等平台提供的极具性价比的高性能开源模型;不仅随时支持无缝热替换,还允许主 Agent 与各个子 Agent 混合搭配不同的模型组合。

```mermaid flowchart LR accTitle: Deep Agents 中间件机制 accDescr: 展示 Deep Agents 如何通过环绕核心循环的中间件钩子实现确定性代码、业务策略与动态控制。 INPUT["用户输入 / 任务目标"] --> MW1["前置中间件<br/>(权限 / PII 脱敏 / 动态工具挂载)"] MW1 --> LOOP["Agent 核心循环<br/>(模型推理 + 工具调用)"] LOOP --> MW2["后置中间件<br/>(合规审计 / 确定性逻辑 / 结果校验)"] MW2 --> OUTPUT["最终交付结果"] ```

更具吸引力的是其极高的定制自由度。传统的 Agent 往往只是一个封闭黑盒的模型工具循环,而 Deep Agents 在该循环外围构筑了一整套灵活的钩子体系——中间件(Middleware)。关于中间件的扩展潜力,Sydney 总结道:“And middleware enables basically any custom logic that you want to add to your agent.”(中间件系统几乎能让你把任何自定义逻辑灵活注入到 Agent 当中。)开发者可以借此实现:

- **特定业务逻辑插入**:在任意执行节点挂载确定性的传统业务代码。 - **安全与合规策略执行**:例如自动化检测并脱敏敏感个人信息(PII Redaction)。 - **运行时动态控制**:根据当前任务的执行进展,在运行时即时切换模型配置或动态增减可用工具集。

---

[10:25](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=625s) 迈向生产环境的挑战与 Managed Deep Agents 的四大支柱

尽管拥有了功能完备的 Harness,将复杂的长程 Agent 真正推向生产环境依然是一道巨大的技术鸿沟。Sydney 直言不讳地指出:“Even with a capable harness, going to production is really hard.”(即便拥有一个功能强大的 Harness,走向生产环境依然极其困难。)在真实的生产环境中,Agent 必须能够连续运行数小时甚至数天,具备从突发系统故障中优雅恢复的能力;它需要兼顾非确定性的人机交互与随机网络抖动,承担起突发波动的并发流量,同时还要始终满足严苛的安全防护标准并紧跟快速迭代的 Agent 互操作性协议。

随后,Sydney 将演讲交棒给产品经理 Victor Moreira。Victor 看着台下感慨,在座的不少面孔此前就已经亲身体会过把这类 Agent 系统端到端交付给客户的艰辛。为了将这一复杂的工程落地过程降到最低门槛,LangChain 正式宣布开启 Managed Deep Agents 的私有测试(Private Beta)。Victor 提出,Managed Deep Agents 围绕四大核心支柱提供开箱即用的全托管能力: 1. **Agent Harness**:即刚刚 Sydney 详细拆解的 Deep Agents 开源执行底座; 2. **托管运行时(Runtime)**:提供可用于高可靠生产运行、持久化检查点与故障恢复的执行环境; 3. **Context Hub 集成**:深度整合企业级上下文与外部知识源; 4. **沙箱与安全隔离机制(Sandboxes)**:提供多租户环境下安全执行不受信代码的计算环境。

[11:34](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=694s) 支柱一:基于 LangSmith Deployment 的生产级运行时

Victor Moreira 阐述了 Managed Deep Agents 的核心技术底座。该平台并非从零搭建,而是直接构建在 LangSmith Deployment 之上,天然继承了处理实时交互与高并发扩展所需的基础能力。系统对外提供可编程的 API 端点,支持在任何业务系统中动态创建、更新和调用智能体。针对生产环境经常出现的突发流量(例如企业的线上服务突发故障时,所有最终用户几乎在同一时刻涌入客服系统),底层架构配备了定制的任务队列(task queue)并支持水平扩展,以平稳应对高并发请求冲击。

为了让智能体能够快速嵌入实际业务流中,平台提供了多语言 SDK,并与前端生态完成了深度对接。无论是针对生成式 UI 的 CopilotKit 还是 Assistant UI,开发者都能借助这些开箱即用的集成工具,快速将托管智能体与终端交互界面相连。

```mermaid flowchart TD accTitle: Managed Deep Agents 生产级运行时架构 accDescr: 展示了应用接入、核心运行时以及下游集成的分层架构

subgraph Client ["客户端与调用接入"] App["业务应用程序"] GenUI["GenUI 框架 (CopilotKit / Assistant UI)"] end

subgraph Runtime ["LangSmith Deployment 托管运行时"] API["Agent 管理与调用 API (Create / Update / Invoke)"] Queue["专用任务队列 (Task Queue)"] Scale["水平弹性伸缩 (Horizontal Scaling)"] end

App --> API GenUI --> API API --> Queue Queue --> Scale ```

- **统一生命周期端点**:提供开箱即用的 REST API 用于代理的创建、修改和实时触发。 - **流量削峰与伸缩**:通过任务队列和水平扩展平抑突发负载,防止单点被打崩。 - **丰富的 SDK 支持**:简化与 CopilotKit、Assistant UI 等 Gen UI 工具的工程集成难度。

---

[12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) 状态持久化执行(Durable Execution)与检查点机制

在生产环境中,最关键却往往被忽视的非功能性需求是长流程任务的可靠性。Victor 坦言持久化执行听起来可能有些乏味,但它却是构建生产级系统的根基:“This is one of those things that is a little boring to think about, but it is very, very reliable in production.” 得益于底层依托 LangGraph 运行时的设计,Deep Agents 在执行过程中所经历的每一步,都会自动生成状态检查点(checkpoint)并落盘到持久化存储中。

这一设计为智能体带来了强大的断点续跑和分支探索能力。倘若一个复杂的长链条任务在第 49 步发生异常崩溃,运维或调度系统无需从头执行前 48 步,而是可以直接提取第 49 步的状态进行单步重试。此外,系统允许从任何历史检查点回放(replay)或者衍生出新的分支对话(fork)。这种状态暂留不仅适用于业务场景的路径分支,更是人机协同(Human-in-the-Loop)的基石——当智能体需要等待人工确认时,其执行状态会在数据库中安全休眠,支持无限期等待人工介入,从而完美支撑像 LangSmith Engine 这样的泛在型(ambient)智能体模式。

- **单步持久化检查点**:每个推理或工具调用步骤都存入持久化存储,保障执行可追溯。 - **故障断点恢复**:步骤失败时无需全部从零重跑,降低 Token 开销与等待耗时。 - **状态回放与 Fork 分支**:支持从特定历史节点切出独立执行链,探索替代解决方案。 - **异步人工介入支持**:基于持久化存储挂起状态,支持无限期挂起以等待人工审批。

---

[13:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=800s) 生产级安全防护与多层身份验证体系

将智能体部署进企业内网,安全与鉴权是必经的关卡。Victor 指出生产级智能体必须具备严密的多层鉴权模型,不能只靠单一的 API Key 走天下。具体来说,安全体系由三个核心方向构成:

首先是**入口流量鉴权(Inbound Auth)**,用于校验从终端业务系统发起的请求,精准识别调用者身份并判断其是否有权唤醒该智能体;其次是**出口外部鉴权(Outbound Auth)**,当智能体需要调用外部系统、第三方服务或通过 MCP(Model Context Protocol)协议调度外部工具时,运行时能够在调用期安全获取鉴权凭证并自动切换为合法的访问身份;最后是**管理控制面鉴权(Management Auth)**,无论是平台内部的 AI 工程师调优模型,还是最高技术负责人亲自下场介入排障,平台都通过细粒度的基于角色访问控制(RBAC)和基于属性访问控制(ABAC),严格约束谁能创建、更新与销毁智能体。

```mermaid flowchart LR accTitle: 三层生产级安全鉴权架构 accDescr: 展示了入口鉴权、管理控制面鉴权以及出口 MCP 工具鉴权三个层面的流向

UserApp["业务应用 / 最终用户"] -->|"入口鉴权 (Inbound Auth)"| AgentRuntime["Managed Deep Agent"] Engineers["工程师 / CTO 运维团队"] -->|"管理鉴权 (RBAC / ABAC 控制面)"| AgentRuntime AgentRuntime -->|"出口鉴权 (Outbound Auth)"| ExtServices["外部服务 / MCP 工具"] ```

- **入口方向防护**:验证上游业务应用与终端用户的身份合法性。 - **出口方向代理**:动态挂载外部服务与 MCP 工具认证令牌,确保最小权限运行。 - **控制面权限细分**:结合 RBAC 与 ABAC,严格隔离开发、测试与高管团队的运维权限。

---

[14:02](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=842s) 智能体互操作性与开箱即用的工程细节

随着多智能体协作需求爆发,跨系统、跨形态的智能体互操作性成为了平台的核心竞争力。Victor 重点介绍了 Managed Deep Agents 的三种互操作模式:第一种是**远程图调用(Remote Graph)**,开发者在部署于 LangSmith 上的自定义 LangGraph 应用中,仅需单行代码即可远程无缝调用托管的 Deep Agent;第二种是对**智能体间协议(Agent-to-Agent, A2A)**的原生兼容,使得不同框架和协议栈搭建的智能体能够通过行业通用规范顺畅通信;第三种则是“让智能体去往真正的工作场所”,无论是 Deep Agents Code 编辑器还是 Claude Desktop,智能体都能快速适配不同客户端。

更重要的是,LangChain 团队替开发者踩平了复杂的工程陷阱。面对用户在智能体思考时连续追问(double texting)、飞行中强行终止任务(canceling a run mid-flight)等异常状态机处理,开发团队往往需要数周甚至数月才能写出高健壮性的代码,而 Managed Deep Agents 已将这些边界控制能力封装为了出厂默认能力。

- **单行代码跨图调度**:在任意 LangGraph 应用中利用 Remote Graph 语法直接拉起远程托管代理。 - **原生支持 A2A 协议**:满足工业界智能体相互协商与消息广播的标准协议层规范。 - **无缝覆盖主流工作桌面**:支持直接嵌入到桌面端(如 Claude Desktop)及专业代码工具中。 - **复杂边界状态出厂封装**:连发追问处理与流式任务中断均已内置,避免研发重复造轮子。

---

[15:07](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=907s) 支柱三:Context Hub 版本管理与 LangSmith Engine 飞轮

第三大核心支柱是深度整合的 Context Hub。作为统一的文件与上下文版本中心,智能体赖以运转的一切文件都在这里进行存储和审计。这不仅涵盖智能体主提示词文件 `agent.md` 和各类工作流技能(skills),还包括智能体在交互过程中自主沉淀的用户记忆(memories)。借助 Context Hub 的版本晋升能力,团队能够建立严格的变更发布管道:某项技能可以先在预发环境(staging)跑通,完成安全与质量验证后再推送至生产环境(production),同时实现技能在跨智能体集群中的共享与复用。

不仅如此,Context Hub 还是闭环进化引擎 LangSmith Engine 的重要一环。通过将生产环境跑出的真实交互轨迹回传至引擎,系统能够分析识别出薄弱环节,自动化提出针对 Prompts、系统指令乃至特定技能定义的改进建议。在 Context Hub 的串联下,这一长效优化循环会让智能体伴随业务迭代变得越来越聪明。

- **核心资产集中版本化**:对 `agent.md`、skills 配置文件及长期用户记忆进行可审计的版本化存管。 - **环境隔离与发布晋级**:建立 Staging 到 Production 的多环境技能验证与推进机制。 - **技能知识民主化共享**:单个业务场景打磨的高效技能,可一键复用给其他团队的智能体。 - **数据驱动自动调优闭环**:结合 LangSmith Engine 自动利用生产轨迹修正 Prompts 和技能,持续提升输出质量。

---

[16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) 支柱四:LangSmith Sandboxes 安全沙箱与封测发布

第四大核心支柱是与运行时紧密绑定的执行沙箱。正如 Sydney 在演讲前半段提到的,当前几乎每一个高阶智能体都在演进为代码型智能体,即便是分析研究类智能体,也需要随时在幕后编写代码以快速运算统计指标并生成分析图表。为满足这类灵活执行的需求,LangChain 正式推出 LangSmith Sandboxes,并将其直接打通至 Managed Deep Agents 体系中。

LangSmith Sandboxes 具有两项硬核的生产级特性:一是**认证代理(Auth Proxy)**,它在沙箱运行期间安全注入所需的第三方服务凭证,使得敏感环境变量始终不直接对执行沙箱环境暴露,从而阻断了潜在的代码注入与秘钥窃取风险;二是**快照与即时还原(Snapshot and Restore)**,该机制能在毫秒级冻结或复原一个干净的依赖环境,确保智能体在多次调用间拥有可复现、无状态污染的隔离运行空间。

```mermaid flowchart TD accTitle: LangSmith Sandboxes 安全隔离与快照机制 accDescr: 展现了 Auth Proxy 隔离敏感凭证与环境快照恢复的过程

subgraph HostEnv ["托管控制平面"] AgentCore["Managed Deep Agent 运行时"] Proxy["Auth Proxy (鉴权代理)"] Secrets[("企业安全凭证")] SnapStore[("环境快照库 (Snapshot Store)")] end

subgraph SandboxEnv ["LangSmith Sandbox 隔离环境"] ExecCode["动态代码执行 (数据分析 / 脚本运行)"] end

AgentCore -->|"触发代码执行"| ExecCode Secrets --> Proxy Proxy -.->|"动态鉴权注入 (不暴露真实环境变量)"| ExecCode SnapStore -->|"即时恢复基线环境 (Restore)"| ExecCode ExecCode -.->|"状态持久化打包 (Snapshot)"| SnapStore ```

最后,Victor 总结指出,Managed Deep Agents 把运行时、检查点、上下文版本存管以及执行沙箱整合在一起,提供了一站式解决从业务原型到工业化部署的完整方案。在现场观众的热烈掌声中,他宣布 Managed Deep Agents 自即日起正式开启非公开测试(Private Beta),并诚邀与会开发者申请排队名单(waitlist)。

- **无缝内置代码沙箱**:为研究、计算和长程推理智能体提供即开即用的隔离计算环境。 - **Auth Proxy 隔离凭证**:通过代理层按需完成权限透传,杜绝环境变量在沙箱脚本内被直接读取外泄。 - **快照与恢复机制(Snapshot & Restore)**:支持环境状态瞬间拉起,确保执行环境绝对纯净可控。 - **正式开启封测**:Managed Deep Agents 已经上线 Private Beta,全面开放排队通道以接纳企业首发试用。

## Notable quotes > [02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents is a customizable agent harness that's purpose-built for complex real-world tasks. — Sydney Runkle

> [04:48](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=288s) I would argue that memory is maybe the most important kind of context, because it's the context that changes from run to run, and allows your agent to improve over time. — Sydney Runkle

> [00:00](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=0s) So, the job of a harness is to get the model the right context at the right time for the given task. — Sydney Runkle

> [10:25](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=625s) Even with a capable harness, going to production is really hard. — Sydney Runkle

## Mentioned Sydney Runkle, Victor Moreira, LangChain, Deep Agents, Managed Deep Agents, LangSmith, LangSmith Deployment, LangSmith Engine, LangSmith Sandboxes, Context Hub, LangGraph, Anthropic, OpenAI, Google, Ollama, Fireworks, NVIDIA, OpenRouter, Baseten, CopilotKit, Assistant UI, Claude Desktop, Deep Agents Code, Model Context Protocol (MCP), Agent-to-Agent (A2A) protocol

## Video description At LangChain's agent conference Interrupt, we announced Managed Deep Agents in private beta, an API-first hosted runtime for creating, running, and operating deep agents.

Deep Agents gives developers an open-source harness for building agents that can plan, use tools, delegate to subagents, write files, and work over long horizons. Managed Deep Agents gives those agents a durable home in LangSmith.

With the Managed Deep Agents API, you can create, update, manage, and run agents programmatically from your own application or internal platform workflow.

In this Interrupt 26 keynote, Sydney Runkle and Victor Moreira demonstrated what's new in LangChain for building and deploying Deep Agents in production.

Introducing Managed Deep Agents | Interrupt 26 00:00 Introduction: Sydney and Victor 00:20 What is an agent? Model + tool-calling loop 00:42 What is a harness? Defining the concept 01:07 The harness: skills, memory, tools, sub-agents 01:10 Job of a harness: right context at the right time 01:26 Why you need a harness: five agent requirements 02:14 What is Deep Agents? 02:26 The four capabilities of the Deep Agents harness 02:35 Capability 1: Execution environment and file system 03:53 Sandboxes and code interpreters 04:48 Capability 2: Context management 05:15 Summarization, context offloading, and memory 05:47 Prompt caching and skills (progressive disclosure) 06:43 Capability 3: Delegation and sub-agents 07:20 Why sub-agents matter: isolated context and parallelization 08:06 Capability 4: Human-in-the-loop steering 08:35 Four human-in-the-loop decision patterns 09:03 Why Deep Agents: provider-agnostic, customizable, middleware 10:25 Going to production is hard — handoff to Victor 10:52 Introducing Managed Deep Agents (private beta) 11:19 The four pillars of Managed Deep Agents 11:38 Pillar 1: Runtime — built on LangSmith deployment 12:23 Durable execution and checkpointing 13:13 Security and auth layers (RBAC, ABAC, MCP tools) 14:03 Agent interoperability: remote graph, Agent-to-Agent protocol 14:37 Bringing agents where you work 15:07 Pillar 3: Context Hub integration 15:51 LangSmith Engine integration 16:12 Pillar 4: LangSmith Sandboxes 16:53 Auth proxy and snapshot/restore 17:07 Wrapping up: private beta and waitlist

Extra resources: • Everything we shipped at Interrupt: https://www.langchain.com/blog/interrupt-2026-overview • Introducing Managed Deep Agents: https://www.langchain.com/blog/introducing-managed-deep-agents • About Deep Agents: https://www.langchain.com/deep-agents • About LangChain: https://www.langchain.com/

[Source](https://www.youtube.com/watch?v=LdQpoK2TzSo)

中文简报

LangChain推出Managed Deep Agents以遏制自主运行崩溃 除非具备持久状态检查点、文件系统上下文卸载以及隔离沙箱的支持来保护长时间运行免于崩溃,否则自主智能体在企业生产环境中不可避免地会失败。 Sydney Runkle首先定义了智能体运行框架(agent harness),并从四大核心能力概述了开源Deep Agents框架:具备文件系统和沙箱的执行环境、通过卸载与记忆实现的上下文管理、面向子智能体的结构化委派,以及人机协同(human-in-the-loop)指导。随后Victor Moreira介绍了Managed Deep Agents,通过基于LangSmith的持久运行时应对大规模运行智能体的运维难题,该运行时具备逐步检查点记录和水平自动扩缩容功能。该平台集成了三层企业级安全机制、智能体间(A2A)与远程图互操作性、由LangSmith Engine优化的版本受控Context Hub工件,以及支持快照/恢复和身份验证代理的安全计算沙箱。 LangChain推出了Managed Deep Agents私有测试版,提供基于LangSmith构建的API优先托管运行时,用于以编程方式创建、更新、管理和运行深度智能体。 (10:52) 开源Deep Agents运行框架提供了一个与模型供应商无关的框架,围绕四大核心能力构建:带有文件系统的执行环境、主动上下文管理、利用子智能体进行委派,以及一流的人机协同指导原语。 (2:14) 由LangGraph运行时驱动的持久执行在每一步后都会为智能体状态记录检查点,允许失败的运行从精确的故障点重试,并支持无限期暂停以供人工审核。 (12:23) Managed Deep Agents与Context Hub集成以对agent.md和技能等智能体工件进行版本控制,并引入了配备快照/恢复功能和零暴露认证代理的LangSmith沙箱。 (15:07)

精炼阅读摘要

在 Interrupt 26 活动中,LangChain 工程师 Sydney Runkle 与产品经理 Victor Moreira 宣布推出开源框架 Deep Agents 及其托管版本 Managed Deep Agents,主张生产级智能体的核心在于连接模型与现实世界的运行支架(Harness)与持久化运行时底座。 智能体支架的核心架构与环境隔离 (0:07) Sydney Runkle 强调,智能体本质上是模型与工具调用循环的结合,其实际效能完全取决于所获得的上下文,而支架负责填补两者的鸿沟。Deep Agents 框架为此确立了以文件系统为基础的执行环境。由于现代基础模型在大规模代码与命令行交互中训练成熟,能够原生适应文件读写操作。智能体可利用本地环境管理临时暂存文件、读取长期记忆并动态加载技能。通过配套的代码解释器或沙箱环境,系统摆脱了静态 API 调用的限制,在保障运行时安全的同时拓展了复杂任务的求解空间。 高负载上下文管理与动态技能调度 (4:48) 针对长周期任务中频发的上下文溢出风险,Deep Agents 引入了自动周期性摘要与主动转储机制。当长篇工具输出、用户消息或原始文件挤占上下文时,系统会自动将这些数据卸载至文件系统,并在历史对话接近 Token 上限时触发压缩总结。此外,该支架支持与提供商无关的 Prompt 缓存与软硬件短长期记忆机制。在技能分配上,框架采用渐进式披露原则,仅在系统 Prompt 中注入基础技能清单,智能体仅在执行具体任务时按需加载完整技能脚本,以避免初始上下文过度膨胀。 分层任务委托与人机协同控制机制 (6:43) 单一智能体在处理大型复杂工作流时容易出现性能衰减,Deep Agents 因而内置规划工具,支持将架构设计、代码审查或测试套件编写等子任务委派给独立的子智能体。这种委托架构实现了上下文隔离,各子任务独立运行并在完成后仅向父级汇报精简结果,同时允许多个子智能体并行运作,甚至跨异构模型路由以平衡推理成本。针对高敏感度和低置信度环节,框架提供了原生的人机协同干预接口,涵盖执行前审批、拦截并编辑生成内容、拦截异常交易等违规操作,以及暂停循环以向用户求证歧义参数。 中立生态适配与生产级持久化运行时 (9:03) Deep Agents 在架构上避免供应商绑定,不仅支持 Anthropic、OpenAI、Google 等前沿商业模型,也兼容 Ollama、Fireworks 等开源运行时,并通过在调用环路外部挂载预置与后置中间件,实现合规检测、敏感信息脱敏和动态工具切换。面向生产环境,Victor Moreira 介绍了构建于 LangSmith 部署体系之上的托管服务 Managed Deep Agents。该运行时利用 LangGraph 提供基于状态图的持久化执行检查点,智能体执行的每一步均写入持久存储。若在第 49 步遭遇故障,系统可直接原地重试而无需从头运行;同时支持执行状态的无限期挂起以等待人工介入,并能平抑高并发流量峰值。 企业级安全沙箱与 Context Hub 协同优化 (13:20) 企业落地要求严格的安全边界与资产管理。Managed Deep Agents 建立了三层鉴权架构,涵盖入站应用验证、工具调用的外部作用域权限凭证,以及针对智能体生命周期管理的 RBAC 与 ABAC 权限治理;协议层面则原生支持 Agent-to-Agent(A2A)标准与远程图调用。结合 LangChain 的 Context Hub,开发团队能够对包含行为指引、技能脚本与长期记忆在内的核心配置文件实施版本控制,并通过 LangSmith Engine 分析生产追踪日志,自动迭代 Prompt 和优化规则。此外,新推出的 LangSmith Sandboxes 提供身份验证代理与快照恢复能力,在隔离环境中运行未知代码并防止第三方密钥直接泄露至文件系统。 Managed Deep Agents 已在 Interrupt 26 活动中开启内测并开放候选名单,旨在系统化解决智能体从本地原型迈向生产化过程中面临的持久化状态、多租户鉴权及安全沙箱难题;但复杂交互场景下的实际工程稳定度与更深度的沙箱细节仍有待后续技术专场和生产实践验证。

Detailed notes — zh

## Background 该视频由 LangChain 于 2026 年 5 月 29 日发布在 YouTube 平台上。视频记录了 LangChain 在 Interrupt 26 大会上的主题演讲,由 Sydney Runkle 与 Victor Moreira 共同展示开源 Deep Agents 框架以及全新发布的 Managed Deep Agents 私有测试版(Private Beta),旨在为开发者提供 API 优先的托管运行时来构建与运维深度智能体。 ## TL;DR 演讲首先解构了智能体的本质,指出模型必须配合包含文件系统、记忆、工具与子代理的 Harness 才能发挥实际业务价值,并详细拆解了 Deep Agents 的四大核心能力:执行环境、上下文管理与渐进式技能揭示、子代理委托以及人机协同转向。随后,演讲重点转向如何应对长程智能体走向生产环境的严苛工程挑战,正式推出了基于 LangSmith Deployment 的托管解决方案 Managed Deep Agents。该平台依托四大支柱构筑,涵盖单步状态检查点与持久化执行、三层细粒度安全鉴权、管理上下文与记忆资产的 Context Hub,以及具备凭证隔离代理与毫秒级快照还原能力的 LangSmith Sandboxes。 ## Atmosphere & style 整场演讲呈现出典型的前沿开发者大会风格,节奏紧凑高效、技术密度极高,兼具系统工程的严谨与技术发布的振奋感。Sydney 与 Victor 配合默契,前者以清晰条理的架构思维层层剖析开源框架的设计哲学,后者则以务实且切中工程痛点的口吻揭示生产级落地的艰难挑战。台下观众反应热烈,台上演讲者在技术直觉与工业级可靠性之间自如切换,生动传递出 Agent 体系从实验原型迈向严肃工业化基础设施的质感。 ## Bulletin - [10:52](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=652s) LangChain 正式发布 Managed Deep Agents 私有测试版(Private Beta),作为 API 优先的托管运行时,为长周期运行、规划、写文件和调用子代理的 Deep Agents 提供企业级生产环境支撑。 - [02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents 开源框架通过执行环境、上下文管理、子代理委托以及人机协同转向(Human-in-the-Loop)四大支柱,解决长程任务中的上下文溢出与任务拆解难题。 - [12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) Managed Deep Agents 基于 LangSmith Deployment 构建,原生集成单步状态持久化检查点(Checkpointing),支持步骤失败断点续跑、分支回放及异步人工休眠等待。 - [16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) 配套推出的 LangSmith Sandboxes 提供隔离代码执行环境,通过 Auth Proxy 机制防止敏感凭证泄露,并支持毫秒级环境快照(Snapshot)与恢复(Restore)。 ## Key takeaways - [00:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=20s) 广义 Agent 本质是模型加工具调用循环,而完整实用的 Agent 必须依靠 Harness(脚手架)在恰当时间为模型注入准确的上下文以赋予其自主性。 - [02:35](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=155s) 执行环境是 Deep Agents 的底层基石,以文件系统为起点支持读写临时文件、加载记忆与技能,并可按需外挂 Sandbox 或代码解释器激发动态解题能力。 - [05:15](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=315s) 为应对长任务上下文膨胀,Deep Agents 内置上下文逐出(Context Offloading)和自动摘要,将冗长历史转移至文件系统,确保运行稳定性。 - [05:47](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=347s) 框架支持供应商中立的 Prompt 缓存与渐进式技能披露(Progressive Disclosure),初始仅加载技能元信息,真正触发时再按需拉取完整代码以节省 Token 预算。 - [07:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=440s) 子代理机制具备上下文隔离、任务并行化及跨模型灵活搭配三大优势,允许开发者根据任务复杂度精准匹配前沿大模型或廉价轻量模型。 - [08:35](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=515s) 系统原生支持人机协同转向(Human-in-the-Loop),内置批准、编辑、驳回以及主动发起中断提问的回应等四种标准化交互决策模式。 - [09:03](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=543s) Deep Agents 具备完全的模型与供应商无关性,并通过外围中间件(Middleware)机制支持业务逻辑注入、PII 脱敏合规及运行期动态控制。 - [11:38](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=698s) Managed Deep Agents 基于 LangSmith Deployment 构建高可用生产级运行时,借助定制任务队列与水平扩展能力应对客服等场景下的突发流量冲击。 - [12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) 依托 LangGraph 运行时的持久化检查点设计,长链条任务发生崩溃时仅需单步重试,且支持状态回放、分支探索及无限期等待人工审批。 - [13:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=800s) 生产级鉴权涵盖入口鉴权(Inbound)、外部工具/MCP 动态凭证出口鉴权(Outbound),以及基于 RBAC 与 ABAC 的管理控制面权限防护体系。 - [14:02](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=842s) 平台原生支持 Remote Graph 单行远程调用、智能体间通信协议(A2A),并出厂封装了用户连发追问(double texting)与飞行中任务强行终止等异常状态机处理。 - [15:07](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=907s) Context Hub 负责集中存管与版本化审计 agent.md、skills 技能及用户记忆,支持多环境发布流,并结合 LangSmith Engine 利用生产轨迹自动优化提示词与技能。 - [16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) LangSmith Sandboxes 内置认证代理(Auth Proxy),在避免真实环境变量暴露给脚本的前提下安全调度第三方凭据,并具备毫秒级环境快照与重置能力。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=0s) 什么是 Agent 与 Harness:连接模型与现实世界的桥梁 开场由来自 LangChain 的开源工程师 Sydney Runkle 与产品经理 Victor Moreira 共同主持。Sydney 首先抛出一个基础定义来解构智能体:广义上的 Agent,本质上就是一个极其简单的大语言模型(LLM)与工具调用(Tool-Calling)的循环——模型在循环中不断调用工具,直到任务彻底完成并返回最终结果。然而,仅仅依靠模型本身无法真正进入实际工作流,Sydney 将完整的 Agent 公式化表达为“模型 + Harness(运行框架/脚手架)”。Harness 代表着将模型与现实世界连接起来的一切外围设施,它包裹在模型周围,包含技能(Skills)、记忆(Memory)、基础系统提示词(Base System Prompt)、各类外部工具、子代理(Sub-Agents)以及所有相关的上下文信息。 ```mermaid flowchart TD accTitle: Agent 与 Harness 架构关系 accDescr: 展示大语言模型如何通过 Harness 的各类外围组件与外部现实世界交互并完成任务。 subgraph Harness["Agent Harness 运行框架"] SP["基础系统提示词 (Base System Prompt)"] SK["技能库 (Skills)"] MEM["短/长期记忆 (Memory)"] TOOLS["外部工具 (Tools)"] SUB["子代理群 (Sub-Agents)"] end MODEL["大语言模型 (LLM)"] <--> Harness Harness <--> WORLD["外部环境与真实数据"] ``` 关于 Harness 的核心职责,Sydney 给出了一针见血的概括:“So, the job of a harness is to get the model the right context at the right time for the given task.”(因此,Harness 的职责就是在正确的时间为模型提供执行特定任务所需的正确上下文。)她强调,模型的强大程度完全取决于其所接收到的上下文质量,而 Harness 正是为了弥合这一关键差距而存在的。在实际业务中,开发者需要 Harness 来支撑 Agent 必须具备的几大基础属性: - **提供行动环境以赋予自主性(Agency)**:Agent 必须在能真正采取行动的环境中工作,正是这种能够执行操作的能力赋予了它们自主性,也使得 Agent 真正具备实用价值。 - **连接业务数据**:使 Agent 采取的每一个动作都切合具体的业务使用场景。 - **管理长时间运行中持续膨胀的上下文**:有效防止长程任务中的上下文溢出(Context Overflow)。 - **任务并行化能力**:面对复杂的综合任务,能够并行调度以高效完成。 - **敏感工作流中的人机协同(Human-in-the-loop)**:在涉及高危或敏感决策的环节中引入人类介入。 - **随时间推移自主进化**:通过经验积累与记忆沉淀,让 Agent 的表现越用越好,持续保持可用性与相关性。 --- ### [02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents 概览与第一项能力:执行环境与文件系统 基于上述实际需求,Sydney 正式介绍了 LangChain 推出的开源解决方案 Deep Agents。Sydney 对其定性道:“Deep Agents is a customizable agent harness that's purpose-built for complex real-world tasks.”(Deep Agents 是一个专为复杂的现实世界任务量身定制的可自定义 Agent Harness。)整个 Harness 围绕四大核心支柱能力构建:执行环境(Execution Environment)、上下文管理(Context Management)、任务委托(Delegation),以及基于人机协同的转向控制(Steering)。 ```mermaid flowchart LR accTitle: Deep Agents 的四大核心能力 accDescr: 展示 Deep Agents 框架的四大支柱:执行环境、上下文管理、任务委托以及人机协同转向。 subgraph DeepAgents["Deep Agents 核心支柱"] direction TB C1["1. 执行环境<br/>文件系统 / Sandbox / 代码解释器"] C2["2. 上下文管理<br/>逐出 / 摘要 / 记忆 / 渐进式技能"] C3["3. 任务委托<br/>规划工具 / 通用与专业化子代理"] C4["4. 人机协同转向<br/>批准 / 编辑 / 驳回 / 询问回应"] end ``` 在深入剖析各项特性时,Sydney 将执行环境称为整个系统的底层基石:“This capability powers all of the rest.”(这项能力为其他所有能力提供了底层动力。)整个执行环境以文件系统为起点。Agent 在处理工作时,可以利用文件系统读写草稿便签与临时文件(Scratch Files),在关键执行路径(Hot Path)上加载和持久化保存记忆,并在遇到具体任务时灵活调用相应技能。Sydney 指出,LLM 天生就非常擅长使用文件系统,因为模型在预训练和对齐阶段就经历过海量代码和系统交互数据的训练。在基础文件系统之上,开发者还可以为其配备沙箱(Sandbox)或轻量级的代码解释器(Code Interpreter)。这种代码执行环境为模型提供了安全隔离的编写与运行空间,极大激发了 Agent 在运行时的动态行为与创造性解题能力。 --- ### [04:48](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=288s) 第二项核心能力:上下文管理与渐进式技能揭示 Sydney 坦言,在 Harness 的各项职责中,上下文管理可能是最为繁重也最关键的一项。长程运行或处理海量信息的 Agent 极易受到“上下文溢出”的困扰。为此,Deep Agents 原生集成了上下文逐出(Context Offloading)和自动摘要机制。在运行过程中,系统会周期性地将冗长的历史消息(无论是大段人类提问、庞大的工具调用参数,还是工具返回的大型数据载荷)直接逐出转移到文件系统进行外部持久化,从而防止对话窗口被快速挤爆;同时,当历史记录逐渐逼近模型的上下文窗口极限时,系统会触发自动摘要,双管齐下保障长周期运行的稳定性。 关于记忆和技能机制,Sydney 特别强调了记忆对 Agent 的深远影响:“I would argue that memory is maybe the most important kind of context, because it's the context that changes from run to run, and allows your agent to improve over time.”(我认为记忆可能是最重要的一种上下文,因为它是唯一会在每次运行之间动态演化、并使你的 Agent 能够随着时间推移不断进化的上下文。) 为了在保持高效的同时控制运行成本,Deep Agents 还配备了以下上下文优化能力: - **供应商中立的 Prompt 缓存(Prompt Caching)**:在频繁发生调用的大上下文场景中,最大化利用缓存命中,大幅降低 Token 消耗成本。 - **渐进式技能披露(Progressive Disclosure)**:系统在初始化系统提示词(System Prompt)时,仅加载技能的极简元信息,告知模型当前有哪些能力可用;当特定任务真正需要调用对应技能时,Agent 才会按需、动态地将完整的技能代码与资源拉取进来并在脚本中执行,避免了一开始就将海量工具描述全部塞入上下文窗口而造成拥挤与性能退化。 --- ### [06:43](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=403s) 第三与第四项能力:子 Agent 委托与人机协同转向机制 随着 Agent 执行周期拉长并承接越发复杂的流水线工作,单靠一个循环已无法胜任,必须具备任务规划与拆解委托的能力。Deep Agents 内置了专门的规划工具,模型可以借此对复杂任务制定步骤清单,并开箱即用地支持子 Agent(Sub-Agents)机制。子 Agent 既可以是通用型的,也可以高度专业化。例如在构建复杂的软件工程 Coding Agent 时,主 Agent 可以配备专门负责架构设计的子 Agent、专注于代码审查与安全合规的子 Agent,以及专门负责编写与运行测试用例的子 Agent。 Sydney 详细拆解了子 Agent 不可替代的三大优势: 1. **上下文隔离**:主 Agent 派发子任务时,子 Agent 仅携带与该特定任务相关的全新上下文启动;任务完成后,子 Agent 仅将精简后的最终产物回传给主 Agent,不会将其繁琐的中间推理与工具调用污染主窗口。 2. **任务并行化**:多项子任务可以同时并发推进,大幅缩减端到端的整体耗时。 3. **模型与复杂度匹配**:子 Agent 完全支持跨模型和跨供应商搭配,Sydney 强调:“So you can match model capability with task complexity.”(这样你就能将模型的实际能力与具体任务的复杂程度精准匹配。)低难度的数据抓取可使用轻量廉价模型,高难度的架构决策再调度前沿大模型。 第四项支柱是第一公民级别的人工介入(Human-in-the-loop)转向控制,主要解决两类刚需:在执行高风险敏感操作前获取用户实时确认,以及在模型遇到阻碍陷入死胡同时通过提问获取用户指导以解脱阻塞。在具体交互范式上,Deep Agents 内置了四种标准的决策流模式: - **批准模式(Approval)**:例如在最终发送敏感业务邮件前交由人工审批放行。 - **编辑模式(Edit)**:例如在正式对外发布推文之前,允许人工在界面上直接修改文本内容。 - **驳回模式(Reject)**:例如检测到可疑的大额金融转账提案时直接拒绝执行。 - **回应模式(Respond)**:Agent 在执行途中主动发起中断(Interrupt),向人类提问以获取关键缺失信息,进而打破执行停滞。 --- ### [09:03](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=543s) 为何选择 Deep Agents:模型无关性与强大的中间件扩展 在深入剖析四大能力后,Sydney 将话题引向 Deep Agents 的设计哲学与横向优势。首要特性是彻底的模型与供应商无关性(Provider Agnostic)。开发者可以随意接入主流商业模型提供商(如 Anthropic、OpenAI、Google),通过 Ollama 本地部署私有模型,或者选择接入 Fireworks、NVIDIA、OpenRouter、Baseten 等平台提供的极具性价比的高性能开源模型;不仅随时支持无缝热替换,还允许主 Agent 与各个子 Agent 混合搭配不同的模型组合。 ```mermaid flowchart LR accTitle: Deep Agents 中间件机制 accDescr: 展示 Deep Agents 如何通过环绕核心循环的中间件钩子实现确定性代码、业务策略与动态控制。 INPUT["用户输入 / 任务目标"] --> MW1["前置中间件<br/>(权限 / PII 脱敏 / 动态工具挂载)"] MW1 --> LOOP["Agent 核心循环<br/>(模型推理 + 工具调用)"] LOOP --> MW2["后置中间件<br/>(合规审计 / 确定性逻辑 / 结果校验)"] MW2 --> OUTPUT["最终交付结果"] ``` 更具吸引力的是其极高的定制自由度。传统的 Agent 往往只是一个封闭黑盒的模型工具循环,而 Deep Agents 在该循环外围构筑了一整套灵活的钩子体系——中间件(Middleware)。关于中间件的扩展潜力,Sydney 总结道:“And middleware enables basically any custom logic that you want to add to your agent.”(中间件系统几乎能让你把任何自定义逻辑灵活注入到 Agent 当中。)开发者可以借此实现: - **特定业务逻辑插入**:在任意执行节点挂载确定性的传统业务代码。 - **安全与合规策略执行**:例如自动化检测并脱敏敏感个人信息(PII Redaction)。 - **运行时动态控制**:根据当前任务的执行进展,在运行时即时切换模型配置或动态增减可用工具集。 --- ### [10:25](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=625s) 迈向生产环境的挑战与 Managed Deep Agents 的四大支柱 尽管拥有了功能完备的 Harness,将复杂的长程 Agent 真正推向生产环境依然是一道巨大的技术鸿沟。Sydney 直言不讳地指出:“Even with a capable harness, going to production is really hard.”(即便拥有一个功能强大的 Harness,走向生产环境依然极其困难。)在真实的生产环境中,Agent 必须能够连续运行数小时甚至数天,具备从突发系统故障中优雅恢复的能力;它需要兼顾非确定性的人机交互与随机网络抖动,承担起突发波动的并发流量,同时还要始终满足严苛的安全防护标准并紧跟快速迭代的 Agent 互操作性协议。 随后,Sydney 将演讲交棒给产品经理 Victor Moreira。Victor 看着台下感慨,在座的不少面孔此前就已经亲身体会过把这类 Agent 系统端到端交付给客户的艰辛。为了将这一复杂的工程落地过程降到最低门槛,LangChain 正式宣布开启 Managed Deep Agents 的私有测试(Private Beta)。Victor 提出,Managed Deep Agents 围绕四大核心支柱提供开箱即用的全托管能力: 1. **Agent Harness**:即刚刚 Sydney 详细拆解的 Deep Agents 开源执行底座; 2. **托管运行时(Runtime)**:提供可用于高可靠生产运行、持久化检查点与故障恢复的执行环境; 3. **Context Hub 集成**:深度整合企业级上下文与外部知识源; 4. **沙箱与安全隔离机制(Sandboxes)**:提供多租户环境下安全执行不受信代码的计算环境。 ### [11:34](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=694s) 支柱一:基于 LangSmith Deployment 的生产级运行时 Victor Moreira 阐述了 Managed Deep Agents 的核心技术底座。该平台并非从零搭建,而是直接构建在 LangSmith Deployment 之上,天然继承了处理实时交互与高并发扩展所需的基础能力。系统对外提供可编程的 API 端点,支持在任何业务系统中动态创建、更新和调用智能体。针对生产环境经常出现的突发流量(例如企业的线上服务突发故障时,所有最终用户几乎在同一时刻涌入客服系统),底层架构配备了定制的任务队列(task queue)并支持水平扩展,以平稳应对高并发请求冲击。 为了让智能体能够快速嵌入实际业务流中,平台提供了多语言 SDK,并与前端生态完成了深度对接。无论是针对生成式 UI 的 CopilotKit 还是 Assistant UI,开发者都能借助这些开箱即用的集成工具,快速将托管智能体与终端交互界面相连。 ```mermaid flowchart TD accTitle: Managed Deep Agents 生产级运行时架构 accDescr: 展示了应用接入、核心运行时以及下游集成的分层架构 subgraph Client ["客户端与调用接入"] App["业务应用程序"] GenUI["GenUI 框架 (CopilotKit / Assistant UI)"] end subgraph Runtime ["LangSmith Deployment 托管运行时"] API["Agent 管理与调用 API (Create / Update / Invoke)"] Queue["专用任务队列 (Task Queue)"] Scale["水平弹性伸缩 (Horizontal Scaling)"] end App --> API GenUI --> API API --> Queue Queue --> Scale ``` - **统一生命周期端点**:提供开箱即用的 REST API 用于代理的创建、修改和实时触发。 - **流量削峰与伸缩**:通过任务队列和水平扩展平抑突发负载,防止单点被打崩。 - **丰富的 SDK 支持**:简化与 CopilotKit、Assistant UI 等 Gen UI 工具的工程集成难度。 --- ### [12:23](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=743s) 状态持久化执行(Durable Execution)与检查点机制 在生产环境中,最关键却往往被忽视的非功能性需求是长流程任务的可靠性。Victor 坦言持久化执行听起来可能有些乏味,但它却是构建生产级系统的根基:“This is one of those things that is a little boring to think about, but it is very, very reliable in production.” 得益于底层依托 LangGraph 运行时的设计,Deep Agents 在执行过程中所经历的每一步,都会自动生成状态检查点(checkpoint)并落盘到持久化存储中。 这一设计为智能体带来了强大的断点续跑和分支探索能力。倘若一个复杂的长链条任务在第 49 步发生异常崩溃,运维或调度系统无需从头执行前 48 步,而是可以直接提取第 49 步的状态进行单步重试。此外,系统允许从任何历史检查点回放(replay)或者衍生出新的分支对话(fork)。这种状态暂留不仅适用于业务场景的路径分支,更是人机协同(Human-in-the-Loop)的基石——当智能体需要等待人工确认时,其执行状态会在数据库中安全休眠,支持无限期等待人工介入,从而完美支撑像 LangSmith Engine 这样的泛在型(ambient)智能体模式。 - **单步持久化检查点**:每个推理或工具调用步骤都存入持久化存储,保障执行可追溯。 - **故障断点恢复**:步骤失败时无需全部从零重跑,降低 Token 开销与等待耗时。 - **状态回放与 Fork 分支**:支持从特定历史节点切出独立执行链,探索替代解决方案。 - **异步人工介入支持**:基于持久化存储挂起状态,支持无限期挂起以等待人工审批。 --- ### [13:20](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=800s) 生产级安全防护与多层身份验证体系 将智能体部署进企业内网,安全与鉴权是必经的关卡。Victor 指出生产级智能体必须具备严密的多层鉴权模型,不能只靠单一的 API Key 走天下。具体来说,安全体系由三个核心方向构成: 首先是**入口流量鉴权(Inbound Auth)**,用于校验从终端业务系统发起的请求,精准识别调用者身份并判断其是否有权唤醒该智能体;其次是**出口外部鉴权(Outbound Auth)**,当智能体需要调用外部系统、第三方服务或通过 MCP(Model Context Protocol)协议调度外部工具时,运行时能够在调用期安全获取鉴权凭证并自动切换为合法的访问身份;最后是**管理控制面鉴权(Management Auth)**,无论是平台内部的 AI 工程师调优模型,还是最高技术负责人亲自下场介入排障,平台都通过细粒度的基于角色访问控制(RBAC)和基于属性访问控制(ABAC),严格约束谁能创建、更新与销毁智能体。 ```mermaid flowchart LR accTitle: 三层生产级安全鉴权架构 accDescr: 展示了入口鉴权、管理控制面鉴权以及出口 MCP 工具鉴权三个层面的流向 UserApp["业务应用 / 最终用户"] -->|"入口鉴权 (Inbound Auth)"| AgentRuntime["Managed Deep Agent"] Engineers["工程师 / CTO 运维团队"] -->|"管理鉴权 (RBAC / ABAC 控制面)"| AgentRuntime AgentRuntime -->|"出口鉴权 (Outbound Auth)"| ExtServices["外部服务 / MCP 工具"] ``` - **入口方向防护**:验证上游业务应用与终端用户的身份合法性。 - **出口方向代理**:动态挂载外部服务与 MCP 工具认证令牌,确保最小权限运行。 - **控制面权限细分**:结合 RBAC 与 ABAC,严格隔离开发、测试与高管团队的运维权限。 --- ### [14:02](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=842s) 智能体互操作性与开箱即用的工程细节 随着多智能体协作需求爆发,跨系统、跨形态的智能体互操作性成为了平台的核心竞争力。Victor 重点介绍了 Managed Deep Agents 的三种互操作模式:第一种是**远程图调用(Remote Graph)**,开发者在部署于 LangSmith 上的自定义 LangGraph 应用中,仅需单行代码即可远程无缝调用托管的 Deep Agent;第二种是对**智能体间协议(Agent-to-Agent, A2A)**的原生兼容,使得不同框架和协议栈搭建的智能体能够通过行业通用规范顺畅通信;第三种则是“让智能体去往真正的工作场所”,无论是 Deep Agents Code 编辑器还是 Claude Desktop,智能体都能快速适配不同客户端。 更重要的是,LangChain 团队替开发者踩平了复杂的工程陷阱。面对用户在智能体思考时连续追问(double texting)、飞行中强行终止任务(canceling a run mid-flight)等异常状态机处理,开发团队往往需要数周甚至数月才能写出高健壮性的代码,而 Managed Deep Agents 已将这些边界控制能力封装为了出厂默认能力。 - **单行代码跨图调度**:在任意 LangGraph 应用中利用 Remote Graph 语法直接拉起远程托管代理。 - **原生支持 A2A 协议**:满足工业界智能体相互协商与消息广播的标准协议层规范。 - **无缝覆盖主流工作桌面**:支持直接嵌入到桌面端(如 Claude Desktop)及专业代码工具中。 - **复杂边界状态出厂封装**:连发追问处理与流式任务中断均已内置,避免研发重复造轮子。 --- ### [15:07](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=907s) 支柱三:Context Hub 版本管理与 LangSmith Engine 飞轮 第三大核心支柱是深度整合的 Context Hub。作为统一的文件与上下文版本中心,智能体赖以运转的一切文件都在这里进行存储和审计。这不仅涵盖智能体主提示词文件 `agent.md` 和各类工作流技能(skills),还包括智能体在交互过程中自主沉淀的用户记忆(memories)。借助 Context Hub 的版本晋升能力,团队能够建立严格的变更发布管道:某项技能可以先在预发环境(staging)跑通,完成安全与质量验证后再推送至生产环境(production),同时实现技能在跨智能体集群中的共享与复用。 不仅如此,Context Hub 还是闭环进化引擎 LangSmith Engine 的重要一环。通过将生产环境跑出的真实交互轨迹回传至引擎,系统能够分析识别出薄弱环节,自动化提出针对 Prompts、系统指令乃至特定技能定义的改进建议。在 Context Hub 的串联下,这一长效优化循环会让智能体伴随业务迭代变得越来越聪明。 - **核心资产集中版本化**:对 `agent.md`、skills 配置文件及长期用户记忆进行可审计的版本化存管。 - **环境隔离与发布晋级**:建立 Staging 到 Production 的多环境技能验证与推进机制。 - **技能知识民主化共享**:单个业务场景打磨的高效技能,可一键复用给其他团队的智能体。 - **数据驱动自动调优闭环**:结合 LangSmith Engine 自动利用生产轨迹修正 Prompts 和技能,持续提升输出质量。 --- ### [16:12](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=972s) 支柱四:LangSmith Sandboxes 安全沙箱与封测发布 第四大核心支柱是与运行时紧密绑定的执行沙箱。正如 Sydney 在演讲前半段提到的,当前几乎每一个高阶智能体都在演进为代码型智能体,即便是分析研究类智能体,也需要随时在幕后编写代码以快速运算统计指标并生成分析图表。为满足这类灵活执行的需求,LangChain 正式推出 LangSmith Sandboxes,并将其直接打通至 Managed Deep Agents 体系中。 LangSmith Sandboxes 具有两项硬核的生产级特性:一是**认证代理(Auth Proxy)**,它在沙箱运行期间安全注入所需的第三方服务凭证,使得敏感环境变量始终不直接对执行沙箱环境暴露,从而阻断了潜在的代码注入与秘钥窃取风险;二是**快照与即时还原(Snapshot and Restore)**,该机制能在毫秒级冻结或复原一个干净的依赖环境,确保智能体在多次调用间拥有可复现、无状态污染的隔离运行空间。 ```mermaid flowchart TD accTitle: LangSmith Sandboxes 安全隔离与快照机制 accDescr: 展现了 Auth Proxy 隔离敏感凭证与环境快照恢复的过程 subgraph HostEnv ["托管控制平面"] AgentCore["Managed Deep Agent 运行时"] Proxy["Auth Proxy (鉴权代理)"] Secrets[("企业安全凭证")] SnapStore[("环境快照库 (Snapshot Store)")] end subgraph SandboxEnv ["LangSmith Sandbox 隔离环境"] ExecCode["动态代码执行 (数据分析 / 脚本运行)"] end AgentCore -->|"触发代码执行"| ExecCode Secrets --> Proxy Proxy -.->|"动态鉴权注入 (不暴露真实环境变量)"| ExecCode SnapStore -->|"即时恢复基线环境 (Restore)"| ExecCode ExecCode -.->|"状态持久化打包 (Snapshot)"| SnapStore ``` 最后,Victor 总结指出,Managed Deep Agents 把运行时、检查点、上下文版本存管以及执行沙箱整合在一起,提供了一站式解决从业务原型到工业化部署的完整方案。在现场观众的热烈掌声中,他宣布 Managed Deep Agents 自即日起正式开启非公开测试(Private Beta),并诚邀与会开发者申请排队名单(waitlist)。 - **无缝内置代码沙箱**:为研究、计算和长程推理智能体提供即开即用的隔离计算环境。 - **Auth Proxy 隔离凭证**:通过代理层按需完成权限透传,杜绝环境变量在沙箱脚本内被直接读取外泄。 - **快照与恢复机制(Snapshot & Restore)**:支持环境状态瞬间拉起,确保执行环境绝对纯净可控。 - **正式开启封测**:Managed Deep Agents 已经上线 Private Beta,全面开放排队通道以接纳企业首发试用。 ## Notable quotes > [02:14](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=134s) Deep Agents is a customizable agent harness that's purpose-built for complex real-world tasks. — Sydney Runkle > [04:48](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=288s) I would argue that memory is maybe the most important kind of context, because it's the context that changes from run to run, and allows your agent to improve over time. — Sydney Runkle > [00:00](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=0s) So, the job of a harness is to get the model the right context at the right time for the given task. — Sydney Runkle > [10:25](https://www.youtube.com/watch?v=LdQpoK2TzSo&t=625s) Even with a capable harness, going to production is really hard. — Sydney Runkle ## Mentioned Sydney Runkle, Victor Moreira, LangChain, Deep Agents, Managed Deep Agents, LangSmith, LangSmith Deployment, LangSmith Engine, LangSmith Sandboxes, Context Hub, LangGraph, Anthropic, OpenAI, Google, Ollama, Fireworks, NVIDIA, OpenRouter, Baseten, CopilotKit, Assistant UI, Claude Desktop, Deep Agents Code, Model Context Protocol (MCP), Agent-to-Agent (A2A) protocol ## Video description At LangChain's agent conference Interrupt, we announced Managed Deep Agents in private beta, an API-first hosted runtime for creating, running, and operating deep agents. Deep Agents gives developers an open-source harness for building agents that can plan, use tools, delegate to subagents, write files, and work over long horizons. Managed Deep Agents gives those agents a durable home in LangSmith. With the Managed Deep Agents API, you can create, update, manage, and run agents programmatically from your own application or internal platform workflow. In this Interrupt 26 keynote, Sydney Runkle and Victor Moreira demonstrated what's new in LangChain for building and deploying Deep Agents in production. Introducing Managed Deep Agents | Interrupt 26 00:00 Introduction: Sydney and Victor 00:20 What is an agent? Model + tool-calling loop 00:42 What is a harness? Defining the concept 01:07 The harness: skills, memory, tools, sub-agents 01:10 Job of a harness: right context at the right time 01:26 Why you need a harness: five agent requirements 02:14 What is Deep Agents? 02:26 The four capabilities of the Deep Agents harness 02:35 Capability 1: Execution environment and file system 03:53 Sandboxes and code interpreters 04:48 Capability 2: Context management 05:15 Summarization, context offloading, and memory 05:47 Prompt caching and skills (progressive disclosure) 06:43 Capability 3: Delegation and sub-agents 07:20 Why sub-agents matter: isolated context and parallelization 08:06 Capability 4: Human-in-the-loop steering 08:35 Four human-in-the-loop decision patterns 09:03 Why Deep Agents: provider-agnostic, customizable, middleware 10:25 Going to production is hard — handoff to Victor 10:52 Introducing Managed Deep Agents (private beta) 11:19 The four pillars of Managed Deep Agents 11:38 Pillar 1: Runtime — built on LangSmith deployment 12:23 Durable execution and checkpointing 13:13 Security and auth layers (RBAC, ABAC, MCP tools) 14:03 Agent interoperability: remote graph, Agent-to-Agent protocol 14:37 Bringing agents where you work 15:07 Pillar 3: Context Hub integration 15:51 LangSmith Engine integration 16:12 Pillar 4: LangSmith Sandboxes 16:53 Auth proxy and snapshot/restore 17:07 Wrapping up: private beta and waitlist Extra resources: • Everything we shipped at Interrupt: https://www.langchain.com/blog/interrupt-2026-overview • Introducing Managed Deep Agents: https://www.langchain.com/blog/introducing-managed-deep-agents • About Deep Agents: https://www.langchain.com/deep-agents • About LangChain: https://www.langchain.com/ [Source](https://www.youtube.com/watch?v=LdQpoK2TzSo)

Source quotes

[2:14] Sydney Runkle: Deep Agents is a customizable agent harness that's purpose-built for complex real-world tasks. [4:48] Sydney Runkle: I would argue that memory is maybe the most important kind of context, because it's the context that changes from run to run, and allows your agent to improve over time. [0:00] Sydney Runkle: So, the job of a harness is to get the model the right context at the right time for the given task. [10:25] Sydney Runkle: Even with a capable harness, going to production is really hard.