LangChain
通过整合LangSmith底层基础设施与虚拟文件系统抽象,企业级Agent能够脱离运维琐碎,利用任务中途断点鉴权与细粒度记忆控制实现复杂业务快速上线。
AI-assisted summary of Managed Deep Agents | Deploying mission critical agents to production — original source. Check the original for full context.
Source published:
Key ideas
- LangChain 正式推出 Managed Deep Agents 公测版(0.8 版本),将 Deep Agents 框架与 LangSmith 托管基础设施深度绑定,开发者仅需维护一个包含指令、技能和工具的文件夹,即可通过三条 CLI 命令完成本地测试与一键上线。 (3:59)
- 该平台依托 LangGraph 原生中断能力引入了“Connections”原语,当 Agent 代表用户调用企业工具缺少凭证时,可在任务执行途中安全挂起、引导 OAuth 鉴权,并在检查点恢复后继续执行。 (9:14)
- 针对多渠道安全合规,Managed Deep Agents 实现了基于渠道上下文(如 Slack 私聊 vs 共享频道)的记忆访问控制,避免多人在场时泄露用户的个人偏好与私有数据。 (10:42)
- 0.8 版本新增 HTTP 自定义通道、增强型沙箱文件系统 API、Slack 原生文件交互,以及由 Parallel 驱动的免密钥内置联网搜索功能。 (14:18)
Detailed notes
## Background 该视频由 LangChain 于 2026 年 10 月 9 日发布在其官方 YouTube 频道上,记录了其在纽约举办的 Agent 开发者大会 Interrupt NYC 上的主题演讲。视频中,LangChain 产品经理 Victor Moreira 正式发布了进入公开测试阶段的 Managed Deep Agents,介绍其如何将 Deep Agents 框架与托管型 LangSmith 基础设施结合,帮助开发者将关键任务 Agent 顺畅部署至生产环境。
## TL;DR 演讲首先剖析了以“虚拟文件系统”为核心的 Deep Agents 底座(Harness),解释其如何通过渐进式披露、上下文落盘与 LangGraph 中断机制突破模型窗口限制并实现人机协同。随后,Victor 针对本地原型走向生产时遭遇的身份识别、多端流式排队、凭证托管及跨渠道记忆隔离等痛点,提出了 Managed Deep Agents 的“Agent 即文件夹”解决方案,仅凭三条 CLI 命令即可完成初始化、本地调试与全托管部署。最后,他以 LangChain 内部 GTM Agent 以及 Madrigal、Consensus 等真实企业落地案例为引,展示了 Context Hub 协同、Harbor 本地评测流水线,以及 0.8 版本带来的 HTTP 通道、Slack 原生文件协同和内置 Parallel 免费搜索等六大关键特性。
## Atmosphere & style 整场演讲呈现出典型硬核开发者大会的务实与干练风格,没有虚浮的概念炒作,而是直击工程落地中最隐蔽、最折磨开发者的生产级泥潭。Victor Moreira 的表达沉稳且逻辑缜密,将“身份校验”、“断点授权”与“文件系统抽象”等复杂的分布式架构难题拆解得条理分明,语言极具说服力。伴随着真实架构图的展开与终端命令的演示,现场传递出一种强大的工程掌控感,让听众清晰感受到工业级 Agent 基础设施正在从蛮荒拼凑走向高度工程化与标准化。
## Bulletin - [03:59](https://www.youtube.com/watch?v=XcsspzECTKA&t=239s) LangChain 正式推出 Managed Deep Agents 公测版(0.8 版本),将 Deep Agents 框架与 LangSmith 托管基础设施深度绑定,开发者仅需维护一个包含指令、技能和工具的文件夹,即可通过三条 CLI 命令完成本地测试与一键上线。 - [09:14](https://www.youtube.com/watch?v=XcsspzECTKA&t=554s) 该平台依托 LangGraph 原生中断能力引入了“Connections”原语,当 Agent 代表用户调用企业工具缺少凭证时,可在任务执行途中安全挂起、引导 OAuth 鉴权,并在检查点恢复后继续执行。 - [10:42](https://www.youtube.com/watch?v=XcsspzECTKA&t=642s) 针对多渠道安全合规,Managed Deep Agents 实现了基于渠道上下文(如 Slack 私聊 vs 共享频道)的记忆访问控制,避免多人在场时泄露用户的个人偏好与私有数据。 - [14:18](https://www.youtube.com/watch?v=XcsspzECTKA&t=858s) 0.8 版本新增 HTTP 自定义通道、增强型沙箱文件系统 API、Slack 原生文件交互,以及由 Parallel 驱动的免密钥内置联网搜索功能。
## Key takeaways - [00:05](https://www.youtube.com/watch?v=XcsspzECTKA&t=5s) Agent 的核心是基于 ReAct 循环调用外部工具,而底座(Harness)的唯一使命就是在关键节点为大模型注入最精准的上下文。 - [01:41](https://www.youtube.com/watch?v=XcsspzECTKA&t=101s) Deep Agents 引入虚拟文件系统抽象,将文件交互与底层物理介质隔离,支持技能渐进式加载与大型工具响应的体外卸载,避免撑爆上下文窗口。 - [01:41](https://www.youtube.com/watch?v=XcsspzECTKA&t=101s) 基于 LangGraph 的原生中断(Human-in-the-loop)机制与任务委托能力,Madrigal 公司将医药垂直研究 Agent 的上线周期由数周缩短至数小时。 - [03:59](https://www.youtube.com/watch?v=XcsspzECTKA&t=239s) Agent 落地生产面临渠道接入、请求排队、流式返回与检查点持久化等基建难题,Managed Deep Agents 通过封装托管层让开发者聚焦业务逻辑本身。 - [06:37](https://www.youtube.com/watch?v=XcsspzECTKA&t=397s) “以文件夹定义 Agent(Agent as a folder)”模式将业务规整为 Python 或 TypeScript 模块,开发者依托 mda init、mda dev、mda deploy 三条命令即可完成全流程交付。 - [08:34](https://www.youtube.com/watch?v=XcsspzECTKA&t=514s) 内置 Auth Handler 原语实现跨 Slack、Web 等多渠道的用户身份自动核对,并能在“代表用户执行”和“服务账号执行”两种凭证模式间灵活切换。 - [09:14](https://www.youtube.com/watch?v=XcsspzECTKA&t=554s) 运行中动态鉴权:若 Agent 发现缺少用户凭证,系统会触发 LangGraph 检查点原地暂停会话,待用户点击 OAuth 链接授权后再无缝恢复执行。 - [10:42](https://www.youtube.com/watch?v=XcsspzECTKA&t=642s) 记忆系统区分系统级程序性记忆与用户级个性化记忆,并引入细粒度访问控制,根据请求所在频道自动限制敏感隐私的读取与展示。 - [11:40](https://www.youtube.com/watch?v=XcsspzECTKA&t=700s) Agent 指令与长短期记忆持久化保存在 Context Hub 中,非技术业务人员亦可在 LangSmith 界面协作编辑并安全推行版本变更。 - [11:40](https://www.youtube.com/watch?v=XcsspzECTKA&t=700s) 深度整合 Harbor 评测流水线,开发者可通过 mda eval init 在本地运行断言测试,并在 LangSmith Experiments 面板实现指标爬山式调优。 - [11:40](https://www.youtube.com/watch?v=XcsspzECTKA&t=700s) 公测期间全面内置 Parallel 联网搜索能力,开发者无需自行申请或配置 API Key 即可开箱调用。 - [13:15](https://www.youtube.com/watch?v=XcsspzECTKA&t=795s) Consensus 借助 Managed Deep Agents 抹平了各部门间底层沙箱与鉴权基础设施差异,实现了企业内部多部门专用 Agent 的规模化敏捷上线。 - [14:18](https://www.youtube.com/watch?v=XcsspzECTKA&t=858s) Managed Deep Agents 0.8 版本正式支持自定义 Webhook HTTP 接入通道,以及沙箱与宿主应用之间的双向文件系统 API 交互。 - [14:18](https://www.youtube.com/watch?v=XcsspzECTKA&t=858s) 将文件传递提升为 Slack 通道的一等公民,Agent 在沙箱中生成的 PPT、PDF 或报表可直接以附件形式推送至群聊中协同修改。
## Detailed walkthrough ### [00:05](https://www.youtube.com/watch?v=XcsspzECTKA&t=5s) 什么是 Deep Agents 与 Agent Harness?
LangChain 负责运行时(Runtime)产品的产品经理 Victor Moreira 在大会开场向与会者抛出了一个在社区中被频繁讨论的基础问题:究竟什么是 Agent?从本质上讲,Agent 的核心理念是一个大语言模型通过调用工具来完成某项特定任务。这种模式深深植根于一年多前风靡 AI 领域的 ReAct(Reason + Action)范式——模型在行动与推理之间不断循环,结合外部工具一步步推导出解决方案。然而,光有模型和工具并不足以构成一个可靠的系统,这便引出了“Harness(智能体装备底座/运行框架)”的概念。
所谓 Harness,是指为了让 Agent 能够稳定履职而注入的所有外围支撑要素,涵盖了技能库(Skills)、工具集(Tools)、上下文信息(Context)以及负责专项分流的子智能体(Subagents)。开发者之所以要耗费心血搭建复杂的 Harness,背后的核心逻辑非常简单直接:大语言模型的上限完全取决于在特定时刻喂给它的上下文质量。正如 Victor Moreira 所强调的:“And that's to get the model the right context at the right time.”(那就是在正确的时间为模型提供正确的上下文)。Deep Agents 正是 LangChain 汲取了业界 Coding Agent 及各类开源 Harness 的实战经验后,封装出的一个高度可定制的通用底层底座,能够适配几乎所有特定业务场景。
```mermaid flowchart LR accTitle: Agent 与 Harness 结构关系 accDescr: 展示模型、Harness 与最终产出之间的协同逻辑
subgraph Harness["Agent Harness 底座"] direction TB SK["技能体系 (Skills)"] TL["业务工具 (Tools)"] CTX["动态上下文 (Context)"] SA["子智能体 (Subagents)"] end
subgraph Core["核心驱动"] MDL["LLM 推理引擎 (Reason)"] end
Harness -->|"注入精准上下文"| MDL MDL -->|"ReAct 循环执行"| Harness MDL --> OUT["可靠交付业务任务"] ```
---
[01:41](https://www.youtube.com/watch?v=XcsspzECTKA&t=101s) Deep Agents 的四大核心支柱与 Madrigal 案例
Victor Moreira 将 Deep Agents 的体系架构拆解为四个关键领域,其中最核心的哲学是对文件系统进行抽象。Deep Agents 为模型与实际文件之间设立了一道虚拟文件系统(Virtual File System)防火墙。开发者可以将该文件系统映射至 S3 存储桶、供代码编写与运行的安全沙箱(Sandbox),亦或是更为轻量级的代码解释器与 REPL。这一设计极大提升了上下文管理的灵活度:它支持技能的渐进式披露(Progressive Disclosure),避免单次 Prompt 塞入过多无关指引;支持跨线程持久化记忆;当长对话上下文膨胀时,能自动生成紧凑摘要并落盘;更能在工具返回海量原始数据时,直接将其转存至文件系统,而非强行撑爆模型的上下文窗口(Context Window)。
后两项支柱则聚焦于协作与控制:其一是任务委托(Delegation),模型能够自行规划流程、评估计划合理性,并派发子智能体分头执行;其二是人机协同(Human in the loop)。整个 Interrupt 大会的命名便源于 LangGraph 运行时的核心机制 `interrupt` 函数,而 Deep Agents 正是原生构建在 LangGraph 之上,天生具备随时打断并暂停等待人工介入的能力。Victor 以客户 Madrigal 医药公司的生产级研究智能体为例,展示了这套底座的工业价值:研究员需要针对不同医药垂直领域加载专属知识库,综合各类医学文献生成附带严谨引用来源的研究报告。借助 Deep Agents 与 LangSmith 的组合,Madrigal 将过去为研究员冷启动一个专属 Agent 所需的数周研发周期,直接缩短到了几个小时。
- **虚拟文件系统抽象**:隔离直接物理交互,支持将 S3、执行沙箱或轻量代码解释器挂载为 Agent 存储介质。 - **先进上下文管理策略**:具备超限上下文摘要落盘、大型工具响应体外卸载(Offloading)以及技能按需渐进加载能力。 - **任务规划与子智能体委托**:模型自主拆解复合步骤并调度多 Agent 协同作业。 - **LangGraph 原生中断能力**:利用内置的中断机制,随时支持关键节点的阻断审批与用户交互。 - **Madrigal 实战成效**:垂直医药研究 Agent 的研发与上线周期由数周骤降至数小时。
---
[03:59](https://www.youtube.com/watch?v=XcsspzECTKA&t=239s) 本地原型到生产环境的跨越与 Managed Deep Agents
在剖析 Agent 从原型走向成熟的全生命周期时,Victor 将构建工作划分为三大核心板块:业务逻辑、底座(Harness)和底层基础设施。业务逻辑是开发者与企业最核心的护城河,涵盖业务专长、定制指令与核心技能;Harness 赋予了 Agent 操作文件与调配上下文的手段;而基础设施虽然往往被视为繁琐、枯燥的一环,却是决定一个 Agent 能否在真实生产环境中供海量用户稳定调用的命脉。
在本地开发环境中,开发者运行脚本验证逻辑,快速目睹 Agent 展现出令人兴奋的“魔法时刻”,这是极为宝贵的验证阶段。然而一旦推向生产,工程团队就会面临一系列残酷的基建难题:Agent 应该接入哪些前端交互表面?如何将不同入口的流量聚合到运行时?如何处理并发请求排队、状态流式返回(Streaming)以及断点检查点(Checkpointing)?为了消解这些基建痛点,LangChain 推出了 Managed Deep Agents(托管型 Deep Agents)。它把 Deep Agents 底座与 LangSmith 经过验证的托管基础设施打包整合,让研发团队能够从琐碎的基建搭建中抽身,全力专注于业务逻辑的提炼,并通过评测(Evals)、链路追踪(Traces)与迭代引擎持续改进智能体表现。
```mermaid flowchart TD accTitle: Managed Deep Agents 托管架构 accDescr: 展示用户接口如何通过托管基础设施连接业务逻辑与外部工具
subgraph ClientSurfaces["多端接入层 (Surfaces)"] SLK["Slack 机器人"] WEB["Web 前端交互"] API["HTTP API 通道"] end
subgraph ManagedInfra["Managed Deep Agents 托管基础设施"] direction TB LSD["LangSmith Deployment\n(流式传输 / 队列 / Checkpointing)"] LSB["LangSmith Sandboxes\n(安全代码执行)"] CH["Context Hub\n(版本化提示词与指令协作)"] GW["LLM Gateway & Tracing\n(模型网关与链路监控)"] end
subgraph BusinessLogic["开发者业务定义"] AGT["Agent 核心逻辑 (agent.py / agent.ts)"] SKL["技能库 (Skills) & 指令 (Instructions)"] TLS["企业工具集成 (Salesforce / Gong 等)"] end
ClientSurfaces --> LSD LSD --- LSB LSD --- CH LSD --- GW LSD --> BusinessLogic ```
---
[06:37](https://www.youtube.com/watch?v=XcsspzECTKA&t=397s) 文件化定义与三条 CLI 命令:以 GTM Agent 为例
为了将基础设施复杂度降至最低,Managed Deep Agents 引入了极简的“以文件夹定义 Agent(Agent as a folder)”开发模式。开发者不再需要编写冗长的服务脚手架代码,整个 Agent 的生命周期被规整为清晰的文件目录结构:业务入口点直接存放在 `agent.py` 或 `agent.ts`(全面支持 Python 与 TypeScript),而提示词指引(Instructions)、具体技能实现(Skills)、业务工具集(Tools)以及身份认证配置则以模块化文件形态各就其位。本地到云端的全流程仅需依赖三条 MDA 命令行指令:
1. `mda init <agent-name>`:快速脚手架生成标准工程目录。 2. `mda dev`:在本地启动与线上 LangSmith Deployment 同构的 Agent Server,支持毫秒级调试与功能自测。 3. `mda deploy`:一键推送至 LangSmith 云端全托管集群,免去一切容器编排与服务器运维心智负担。
Victor 现场以 LangChain 内部高度依赖的 GTM(Go-To-Market,市场开拓)Agent 为例进行了拆解。在 LangChain 内部,任何成员都可以要求该 Agent“为我准备某场客户会议并起草一封跟进邮件初稿”。在实现上,会议准备与邮件起草策略分别作为 Instructions 和 Skills,底层通过 Tools 连通 Salesforce、Gong 等企业 CRM 及音视频记录系统。然而,把这种高权限 Agent 推向企业级生产时,会立即遭遇四个棘手的现实挑战:如何确认当前提问者的真实身份?Agent 应该调取谁的数据权限?它能够读取或编辑哪些记忆片段?以及当发起调用时用户未授权,系统该如何安全暂停?在多通道接入(如 Slack、网页端等)的场景下,Managed Deep Agents 通过第一公民级别的通道抽象与凭证管理机制,为解决这些生产阻碍提供了标准方案。
[09:14](https://www.youtube.com/watch?v=XcsspzECTKA&t=554s) 跨渠道身份核对与任务中途鉴权(Connections 原语)
在企业落地场景中,用户往往会在 Slack、独立的 Web 应用或自有平台之间来回切换,反复要求用户重新登录和授权会严重破坏产品体验。Managed Deep Agents 为此构建了一个集成的鉴权处理器(Auth Handler),能在不同的前端接入面之间自动核对用户身份,并将统一的身份上下文顺畅注入 Managed Deep Agent 的底层运行时。
身份核对解决后,紧接着面临权限边界的决策:Agent 执行工具调用时,到底该使用谁的账号?作为开发者,可以通过 Managed Deep Agents 提供的“Connections”(连接)原语灵活配置工具行为: - **代表调用者执行(On-behalf-of)**:例如在调用 CRM 工具时,开发者通常希望 Agent 严格使用该用户的凭证。当销售人员在 Slack 私聊中对 Agent 说“帮我准备这次会议(Prep me for this meeting)”时,Agent 就会使用该销售在 Salesforce 中的专属凭证去读取私有数据。 - **Agent 专属或服务账号凭证(Agent-scoped / Service Account)**:适用于全系统通用的检索或系统级自动化操作。
```mermaid flowchart TD accTitle: 任务中途用户授权流 accDescr: 展示当缺少用户凭证时,Agent 如何利用 LangGraph 中断机制暂停任务、引导用户授权并自动恢复执行。
subgraph Runtime ["Managed Deep Agents 运行时"] A["用户发起请求<br/>'Prep me for this meeting'"] --> B{"检查对应工具凭证<br/>(如 Salesforce)"} B -->|"凭证存在"| C["使用用户上下文执行任务"] B -->|"缺失用户凭证"| D["触发 LangGraph 检查点中断<br/>(Task Paused)"] end
subgraph UserAction ["用户交互界面 (Slack / Web)"] D --> E["向用户发送授权引导链接"] E --> F["用户点击并完成 OAuth 鉴权"] end
F --> G["凭证回传并保存至 Connections"] G --> C C --> H["生成最终结果并返回"] ```
针对代表用户执行的凭证获取难题,Managed Deep Agents 巧妙利用了 Deep Agents 与 LangGraph 原生内置的“人机协同”(Human-in-the-loop)机制。如果在任务执行到一半时,Agent 发现缺失该用户的调用 Token,系统无需重置会话,而是直接原地暂停并向用户发送授权链接。Victor Moreira 强调这一机制的容错能力:“由于我们将这些中断进行了检查点保存,用户点击链接后,一切都会正常继续执行,无论等待多久都可以(They'll click the link, everything proceeds as normal, and this will happen indefinitely, since we have the interrupts checkpointed)。”
---
[10:42](https://www.youtube.com/watch?v=XcsspzECTKA&t=642s) 细粒度记忆控制与多级权限隔离
针对 Agent 的上下文记忆,业界有着繁多的设计思路,但 Managed Deep Agents 选择了开箱即用且经过实践检验的标准模型,主要划分为两大核心记忆层级: 1. **Agent 级别记忆(程序性记忆 / Procedural Memory)**:记录系统层面的操作模式、业务流程规则以及对全体用户的共性经验。 2. **用户级别记忆(User-level Memory)**:记录个人偏好、工作习惯等个性化数据。
当记忆进入多用户企业协作场景时,访问控制(Access Control)就成了刚性需求。Managed Deep Agents 允许开发者基于请求来源的“渠道类型”(Channel)来约束记忆的读取与写入策略。例如,当用户在 Slack 私聊(DM)中与 Agent 对话时,Agent 可以完整读取该用户的个人记忆与私有凭证,并持续记录新的私人偏好;然而,一旦在跨团队的多人共享频道(Shared Channel)中被 @ 提及,Agent 就会限制个人隐私信息的曝光,避免在同事面前吐露用户的私密数据。开发者无需自行编写复杂的安全过滤规则,直接声明这些基础原语即可实现安全隔离。
---
[11:40](https://www.youtube.com/watch?v=XcsspzECTKA&t=700s) Context Hub 协同版本控制与 Harbor 评测流水线
Managed Deep Agents 将 Agent 运行所需的指令集(Instructions)、技能集(Skills)和长短期记忆完全持久化存放在 Context Hub 仓库中。这意味着整个业务团队(包括工程师与业务线人员)都可以直接在 LangSmith 的界面中对 Agent 的上下文进行敏捷协作与迭代演进,不仅拥有完整的版本追溯能力,还能通过标准流程安全地将上下文变更推进至生产环境。
为了消除直接部署生产环境的心理负担,Managed Deep Agents 深度集成了 Harbor 评测框架。很多客户虽然认可 Harbor 的评测思想,但在初次搭建时往往觉得上手门槛过高。Managed Deep Agents 为此在 CLI 中提供了极简的命令支持: - **一键初始化**:运行 `mda eval init`,系统会自动在本地搭建完整的 Harbor 评测环境,并协助开发者定义任务(Tasks)与验证断言(Checks)。 - **LangSmith 实验追踪**:所有评测运行的中间轨迹与得分都会实时上报至 LangSmith 的“Experiments”面板。 - **本地爬山式优化(Hill-climbing)**:开发者能够在本地机器上反复重跑相同的评测任务,针对薄弱点调试 Prompt 或技能,一步一步将 Agent 的基准指标拉升至最佳状态。
此外,Victor Moreira 还在现场宣布了与 Parallel 的战略合作:Managed Deep Agents 现已内置 Parallel 驱动的联网搜索工具。在公共测试(Public Beta)期间,该能力完全向所有用户免费开放。开发者无需自行申请或配置任何 Parallel API Key,只需在项目中添加该工具声明,即可开箱即用。
---
[13:15](https://www.youtube.com/watch?v=XcsspzECTKA&t=795s) 真实企业落地:Kyth 的无代码协同与 Consensus 的规模化交付
Managed Deep Agents 的架构演进得益于 LangChain 内部关键业务(如内部 GTM 销售支持 Agent、类似软件工厂的 Open SWE Agent)的自我踩坑(Dogfooding),更离不开早期深度合作伙伴的共创反馈。Victor Moreira 特别向两位外部核心贡献者致谢:
- **Kyth 的 Zahid**:在搭建初期发挥了关键作用。他协助 LangChain 团队定义并梳理了业务人员及无代码(No-code)用户与技术开发者的协作模型,并为 Connections 原语和记忆权限机制的最初落地提供了重要指导。 - **Consensus 的 Derek**:展现了 Managed Deep Agents 在多部门组织中最理想的使用范式。Derek 带领的内部开发小组穿梭于 Consensus 的各个业务部门之间,专门为不同团队按需定制 Deep Agent。由于 Managed Deep Agents 统一接管了底层的运行时、沙箱隔离与鉴权基础设施,Derek 的团队无需在运维泥潭中打转,能够极其敏捷地交付并上线业务 Agent,推动了自动化智能体在 Consensus 全公司的爆发式渗透。
---
[14:18](https://www.youtube.com/watch?v=XcsspzECTKA&t=858s) Managed Deep Agents 0.8 版本重磅更新盘点
演讲尾声,Victor Moreira 集中展示了 Managed Deep Agents 在 0.8 版本(即公测版本)中正式上线的六大核心特性:
- **HTTP 渠道(HTTP Channels)**:在开箱即用的 Slack 集成之外,新增通用的自定义 HTTP 接入原语。开发者可以精确定义 Agent 如何监听外部 Webhook 事件,并在处理完毕后将结构化响应回传至任意专有前端界面。 - **增强型沙箱文件系统 API(Sandbox File System APIs)**:不仅 Agent 能够在沙箱内部自由读写工作文件,宿主端的前端应用现在也可以通过标准化接口直接访问沙箱文件,极大简化了界面预览与结果交互。 - **用户级作用域记忆(User-scoped Memories)**:经过多轮安全与可靠性验证的个人记忆模块正式就绪,兼具长期持久化与跨渠道访问控制能力。 - **Connections 凭证管理**:正式上线开发者控制台与原语,支持在任务运行时平滑处理 Agent 专属凭证与代表用户(On-behalf-of)的动态 OAuth 鉴权。 - **Slack 原生文件协同(File Transfers in Slack)**:将文件传递提升为一等公民(First-class citizen)。当 Agent 在沙箱中生成 PowerPoint 演示文稿、数据报表或 PDF 文档时,可直接以附件形式推送到 Slack 频道,方便用户在聊天流中无缝下载与迭代修改。 - **内置 Parallel 搜索集成**:无需额外密钥与配置,开箱即用的高精度网络信息检索工具。
在全场的掌声中,Victor Moreira 总结道:“我们非常激动能在 0.8 版本中宣布 Managed Deep Agents,我们迫不及待地想看到大家用它打造出属于你们自己领域的专业 Agent(We can't wait to see what you build with it and build your domain-specific agents)。”
## Mentioned Victor Moreira, LangChain, Managed Deep Agents, Deep Agents, LangSmith, LangGraph, LangSmith Deployment, LangSmith Sandboxes, Context Hub, Harbor, Parallel, Madrigal, Kyth, Zahid, Consensus, Derek, Slack, Salesforce, Gong, Open SWE Agent
## Video description Victor Moreira, Product Manager at LangChain, introduces Managed Deep Agents, now in public beta, which bundles the Deep Agents harness with managed LangSmith infrastructure so you can define an agent as a folder of instructions, skills, and tools, test it locally, and deploy it with the mda CLI. Using LangChain's internal go-to-market agent as the example, he walks through the questions that come up in production and how Managed Deep Agents answers them: caller identity across Slack and web surfaces, user and agent-scoped credentials that can pause mid-task for a user to authenticate, memory with access control by channel, versioned context in Context Hub, and Harbor evals traced to LangSmith experiments. He also shares how Madrigal built a pharmaceutical research agent with Deep Agents on LangSmith and how the team at Consensus builds agents for different parts of its organization, and closes with what is new in the 0.8 release, including HTTP channels, user-scoped memory, Slack file transfers, and built-in search powered by Parallel.
This session was captured at Interrupt New York City, the agent conference by LangChain.
LangChain products in this talk: Managed Deep Agents, Deep Agents, LangGraph, LangSmith, LangSmith Deployment, LangSmith Sandboxes, LangSmith Context Hub
Speakers: Victor Moreira, Product Manager, LangChain
Chapters: 0:00 What is an agent harness, and why does context matter? 1:26 The four core areas that make up a deep agent 3:15 Madrigal spins up research agents in hours instead of weeks 3:59 What changes when a local agent goes to production? 5:32 How Managed Deep Agents bundles harness and infrastructure 6:37 An agent as a folder, shipped with three mda commands 7:43 How LangChain's GTM agent maps onto files 8:34 Who is asking, and whose account should the agent use? 10:42 Which memories can the agent use in a DM or shared channel? 11:40 Versioned context in Context Hub and evals with Harbor 13:15 How Consensus builds agents for different parts of its org 14:18 What's new in the Managed Deep Agents 0.8 release
Resources: → Managed Deep Agents docs: https://docs.langchain.com/langsmith/python/managed-deep-agents-overview → Deep Agents: https://www.langchain.com/deep-agents → LangSmith Deployment: https://www.langchain.com/langsmith/deployment → LangSmith: https://www.langchain.com/langsmith → Interrupt, the agent conference by LangChain: https://interrupt.langchain.com
[Source](https://www.youtube.com/watch?v=XcsspzECTKA)