Inside Managed Deep Agents: mda CLI, Context Hub, and Harbor Evals | Interrupt London

Inside Managed Deep Agents: mda CLI, Context Hub, and Harbor Evals | Interrupt London — LangChain

LangChain

AI-assisted summary of Inside Managed Deep Agents: mda CLI, Context Hub, and Harbor Evals | Interrupt London — original source. Check the original for full context.

Source published:

Key ideas

  • LangChain 推出进入公测阶段的 Managed Deep Agents,将 Deep Agents 的运行环境(Harness)与 LangSmith 基础设施结合,使开发者无需自研多租户、任务队列和持久化执行即可部署生产级 Agent。 (0:06)
  • 借助 LangGraph Runtime 底层的状态检查点机制,Agent 可以在任务中途遇到权限缺失时无限期挂起并等待用户授权,授权完成后无缝恢复执行。 (10:04)
  • 系统支持根据运行渠道实现记忆与凭证隔离,在 Slack 私聊中可调用用户级记忆与凭证,而在共享频道中自动切换为服务账号以防止敏感数据泄露。 (10:41)
  • LangChain 与 Parallel 达成集成合作,通过 MCP 原生提供具备“零数据留存(Zero Data Retention)”特性的网络搜索能力,开发者无需自行申请或配置 API Key。 (12:43)

Detailed notes

## Background 本内容由 LangChain 官方频道于 2026 年 10 月 26 日发布在 YouTube 平台上,记录了在伦敦举办的 Interrupt Agent 大会上产品经理 Victor Moreira 的主题演讲。视频主要介绍了已开启公测的 Managed Deep Agents,阐述其如何将 Deep Agents 的运行环境(Harness)与 LangSmith 底层基础设施深度融合,帮助开发者通过统一脚手架迅速将本地原型 Agent 推向生产环境。

## TL;DR 演讲深入剖析了生产级 Agent 架构如何从传统的 ReAct 演化为“模型 + 运行环境(Harness)”,并指出将本地原型推向生产时必须解决持久化执行、凭证隔离及任务队列等底层复杂度。Victor 结合 LangChain 内部 GTM Agent 的实际落地经验,展示了利用 mda CLI 规范化脚手架进行开发部署的标准流程,并详解了渠道感知的记忆隔离机制与用户/Agent 凭证切换逻辑。此外,他还介绍了通过 Context Hub 实现业务人员与工程师无缝协作、使用 Harbor 进行交互式自动化评测、以及内置免密钥 Parallel 搜索和支持动态调度的全新扩展能力。

## Atmosphere & style 整场演讲呈现出典型高密度技术发布会的干练与务实风格,主讲人语调沉稳、逻辑严密,直面工程团队在自研 Agent 落地时最容易踩坑的“胶水代码”泥潭。分享节奏紧凑且结构清晰,巧妙穿插了 Slack 凭证授权挂起等生动的第一手真实业务用例,让观众在严谨的基础设施架构推演中切实体会到从混乱工程细节向极简开发范式跃升的掌控感。

## Bulletin - [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) LangChain 推出进入公测阶段的 Managed Deep Agents,将 Deep Agents 的运行环境(Harness)与 LangSmith 基础设施结合,使开发者无需自研多租户、任务队列和持久化执行即可部署生产级 Agent。 - [10:04](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=604s) 借助 LangGraph Runtime 底层的状态检查点机制,Agent 可以在任务中途遇到权限缺失时无限期挂起并等待用户授权,授权完成后无缝恢复执行。 - [10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 系统支持根据运行渠道实现记忆与凭证隔离,在 Slack 私聊中可调用用户级记忆与凭证,而在共享频道中自动切换为服务账号以防止敏感数据泄露。 - [12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) LangChain 与 Parallel 达成集成合作,通过 MCP 原生提供具备“零数据留存(Zero Data Retention)”特性的网络搜索能力,开发者无需自行申请或配置 API Key。

## Key takeaways - [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) Agent 的行业定义已从最初的 ReAct 架构演进为“模型 + 运行环境(Model + Harness)”,模型的能力上限根本上取决于 Harness 提供的上下文质量。 - [01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) Deep Agents Harness 由四大支柱支撑:集成沙箱的文件执行环境、渐进式技能披露的上下文管理、子 Agent 任务委派,以及人机协同的中断与介入能力。 - [01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) 制药研究企业 Madrigal 通过将博士研究员的主观专业经验拆解为具象技能,并配合 Evals 建立了高质量的领域专用科研 Agent 迭代飞轮。 - [03:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=234s) 生产级 Agent 包含业务逻辑、Harness 与基础设施三层架构,从本地原型走向生产的核心挑战在于多租户隔离、持久化执行和任务队列等工程复杂度。 - [05:33](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=333s) Managed Deep Agents 基于 LangSmith Deployment 运行时,开箱即用支持持久化调度、沙箱隔离代码执行、MCP / A2A 互联互通及端到端可观测性。 - [06:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=414s) 官方推出 mda CLI 工具,通过 init、dev 和 deploy 三个极简命令规范项目脚手架,统一了多工程师跨项目协作的标准代码结构。 - [08:40](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=520s) 集中的鉴权处理服务(Auth Handler Service)负责解析调用主体是终端用户还是 Agent 自身,并将主体身份注入运行时上下文以下发权限控制。 - [09:39](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=579s) 凭证明确划分为用户级凭证(user-scoped)与 Agent 级凭证(agent-scoped),便于对不同 MCP 服务和 API 接口进行细粒度权限管控。 - [10:04](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=604s) 依托 LangGraph 的持久化检查点机制,Agent 可向用户私聊发送授权提示并安全挂起数天,用户完成授权后丝毫不差地恢复执行。 - [10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 记忆系统分为 Agent 程序化技能记忆与用户个性化记忆,系统可结合渠道类型(如 Slack 私聊 vs 共享群组)动态决定是否启用个人私密偏好与上下文。 - [11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) 业务专家可通过 LangSmith Context Hub 在带有版本控制的共享环境中维护提示词与技能,无需工程师介入即可将业务逻辑晋升发布至生产环境。 - [11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) 通过执行 mda evals init --interactive,系统会唤起内置的 Coding Agent 交互式引导开发者搭建 Harbor 隔离评测环境与测试断言,辅助指标持续爬山优化。 - [12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) 原生内置 Parallel 搜索集成,为 Agent 带来免密钥配置且遵循零数据留存原则的实时外部信息检索能力。 - [13:56](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=836s) 最新迭代引入了开放自定义接入的 HTTP Channels、支持 Agent 自主创建定时任务的 Schedules,以及用于动态派生装配 Agent 的 Per-run Config。

## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) 什么是 Agent?从 ReAct 到“模型 + 运行环境(Harness)”的演变

Victor Moreira 是 LangChain 的产品经理。在本次演讲开场时,他明确了分享的主题:如何将关键业务 Agent(mission-critical agents)从本地原型阶段推向生产环境,以及如何通过 Managed Deep Agents(已进入公测阶段)实现这一目标。关于“什么是 Agent”,LangChain 最初的定义基于 ReAct 架构(Reason and Action,即“推理与行动”):Agent 能够根据外部环境做出反应,调用一组工具,并在特定任务上进行循环推理和执行,以达成预设目标。

然而,随着行业和技术的发展,这一定义逐渐演进为“模型 + 运行环境(Model + Harness)”。在 LangChain 看来,正是模型周围包裹的整套系统定义了 Agent——包括技能(Skills)、记忆(Memory)、系统提示词(System Prompt)等核心组件。为什么开发者要耗费精力针对具体用例构建专门的 Agent Harness?Victor Moreira 强调,其核心目的就是“在正确的时间为模型提供正确的上下文,从而让它完成特定的任务”。正如 Victor 所言:“我们坚信,模型的能力上限完全取决于提供给它的上下文。”因此,LangChain 开发了 Deep Agents,提供一个高度可定制的基础 Harness,供开发者基于自身业务场景进行二次开发。

```mermaid flowchart LR accTitle: Agent 架构演进示意图 accDescr: 展示从最初的 ReAct 架构演进到当前模型加 Harness 的架构组成。 subgraph S1["传统 ReAct 模式"] A["Reason (推理)"] <--> B["Action (行动 / 工具调用)"] end subgraph S2["现代 Agent Harness 架构"] C["Foundation Model"] --- D["Execution Environment"] C --- E["Context Management"] C --- F["Delegation (子 Agent)"] C --- G["Human-in-the-Loop"] end ```

[01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) Deep Agents Harness 的四大核心支柱与 Madrigal 实践

Deep Agents Harness 的底层能力由四个关键部分支撑:

1. **执行环境(Execution Environment)**:这是 Deep Agents 的基石。现代大模型在文件系统操作、编写代码等方面表现极其出色。Deep Agents 对文件系统提供了原生(first-class)支持,并配合安全的 Sandbox(沙箱),确保模型编写的代码能在受控且安全的环境中执行。 2. **上下文管理(Context Management)**:通过“技能的渐进式披露(progressive disclosure of skills)”实现精准的上下文供给。Agent 需要自主管理记忆、对长对话进行摘要浓缩(compact down),并在必要时卸载上下文。例如,当工具返回庞大的数据结果时,系统可以先将其保存到文件系统中,等模型实际需要时再去读取引用,避免撑爆上下文窗口。 3. **任务委派(Delegation)**:系统能够将复杂任务拆解,并委派给专用子 Agent 或通用子 Agent 协同完成。 4. **人工介入(Steering through Human in the Loop)**:支持在关键节点暂停并等待人类审批。这也是 LangChain 将此次大会命名为“Interrupt(中断)”的核心原因所在。

作为领域专用 Harness 的成功案例,制药研究企业 Madrigal 与 LangChain 深度合作,为其博士研究员们打造了一套规范化、高标准的科研 Agent。Madrigal 涉及医药研发的诸多细分领域,他们将科研人员的主观专业经验拆解并沉淀为具体的“技能(Skills)”。其平台工程团队配合构建评测基准(Evals),从而成功带动了评估与迭代的飞轮效应。

[03:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=234s) 生产化困境:从本地神奇时刻到三大分层的复杂度

在构建 Agent 时,系统整体可拆解为三个不可或缺的层次: - **业务逻辑(Business Logic)**:开发者自身的专业知识与业务规则,也是 Agent 的核心价值来源。 - **运行环境(Harness)**:承载并执行这些专业知识的具体系统框架(如 Deep Agents)。 - **底层基础设施(Infrastructure)**:支持多租户隔离、持久化与生产级稳定运行的底层环境。

三者必须紧密配合,Agent 才能稳定落地生产环境。开发者通常先在本地进行原型验证。在本地跑通 Agent 往往是一种“神奇且令人兴奋的体验”,证明了模型确实具备完成特定领域任务的潜力。但一旦尝试推向生产,局面便会迅速失控。开发团队必须自行承担多租户处理(Multi-tenancy)、持久化(Persistence)、持久执行(Durable Execution)、流式传输(Streaming)以及任务队列(Task Queue)等复杂工程问题。例如,如何在大规模用户并发时决定任务的优先级与调度顺序,往往极难从零正确实现。

[05:33](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=333s) 告别胶水代码:Managed Deep Agents 开箱即用的底层支撑

针对上述痛点,Managed Deep Agents 将 Harness 执行环境与底层基础设施进行了紧密结合。这种深度耦合解放了工程团队,正如 Victor 所说:“这极其重要的一步,让您和您的开发人员能够直接专注于真正让 Agent 变得更好的东西——也就是业务逻辑本身。”

通过直接运行在经过充分生产验证的 LangSmith Deployment 运行时之上,Managed Deep Agents 提供了以下开箱即用的功能: - **持久化与调度**:原生包含持久化执行机制与任务队列,无需自行搭建后端服务。 - **互联互通机制**:内置支持 MCP(Model Context Protocol)以及 A2A(Agent-to-Agent)通信,便于多 Agent 间的编排调度。 - **Context Hub**:为工程团队与业务团队搭建协作平台,允许业务人员直接参与维护、版本化控制业务逻辑、指令(Instructions)和技能清单。 - **LangSmith Sandboxes**:提供安全隔离的代码运行沙箱,消除模型自由执行脚本的安全隐患。 - **治理与可观测性**:全面集成 LLM Gateway 进行访问控制,搭配全链路追踪(Tracing)和自动化评测(Evals)。

```mermaid flowchart TD accTitle: Managed Deep Agents 生产层级架构 accDescr: 展示基础设施、Harness 和业务逻辑三层如何协同工作支撑生产级 Agent。 subgraph Top["业务逻辑层 (开发者与业务用户维护)"] BL["Instructions & Domain Skills"] CH["LangSmith Context Hub"] end subgraph Middle["Harness 执行层 (Deep Agents)"] FS["File System & Code Execution"] CTX["Context & Memory Management"] DEL["Task Delegation (MCP / A2A)"] end subgraph Bottom["基础设施层 (LangSmith Deployment)"] RT["Durable Runtime & Task Queue"] SBX["LangSmith Sandboxes"] GOV["LLM Gateway, Tracing & Evals"] end Top --> Middle Middle --> Bottom ```

[06:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=414s) 用 mda CLI 脚手架构建内部 GTM Agent

为了规范开发流程,Managed Deep Agents 引入了标准的工程项目结构,并提供 `mda` CLI 工具进行管理。在 LangChain 内部,多名工程师跨多个内部 Agent 项目协作,这种统一的结构让开发者进入任何新项目时都能立即理解其逻辑与运行模式。

整个开发与发布流包含三个极简命令: - `mda init <agent-name>`:快速生成项目脚手架(例如初始化 `gtm-agent`)。 - `mda dev`:启动本地开发环境,并在 LangSmith Studio 中直观运行与调试。 - `mda deploy`:直接打包并部署上线到生产运行环境。

以 LangChain 内部高度依赖的 GTM(Go-To-Market)Agent 为例,该 Agent 极大地协助了销售团队与 GTM 人员的日常工作。其项目代码结构高度模块化: - `agent.ts` 或 `agent.py`:支持 TypeScript 或 Python,定义 Agent 的主循环机制。 - `instructions`:存放核心业务逻辑与行为指导规范。 - `skills`:为不同业务操作赋予类似 Playbook 的技能包。 - `tools`:连接外部系统与 MCP 服务器的扩展工具接口。 - `auth / identity` 与 `memory`:集中配置认证授权逻辑、主体身份传递,以及 Agent 记忆的存储与检索机制。

[08:40](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=520s) 生产级身份验证:调用者识别与凭证传递

将 Agent 投入实际运行后,最具挑战性的问题之一就是安全与权限隔离:“确保它能够获取正确的上下文,并拥有访问该上下文或这些不同工具的正确权限。”

系统面临的首要问题是:“究竟是谁在调用这个 Agent?”在 Managed Deep Agents 中,该能力由一个集中的鉴权处理服务(Auth Handler Service)统一接管。无论请求来自何种外部渠道(如 Slack、Web 界面或 API),该服务都会严格解析出本次调用的主体(Principal)——明确调用者究竟是 Agent 自身身份,还是某一特定终端用户。确认身份后,该主体信息会被注入运行时上下文(Runtime Context)并随调用链下发至后续的工具链或连接系统,为后续细粒度的权限控制、账密隔离与上下文获取奠定基础。

[09:39](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=579s) 凭证作用域与持久化执行(Durable Execution)

在开发生产级 Agent 时,必须明确工具调用到底应当使用谁的权限。Victor Moreira 解释道,开发者可以在代码中极为轻松地在两类凭证之间进行切换:一类是用户级凭证(user-scoped credentials),另一类是服务账号或 Agent 级凭证(agent-scoped credentials)。这在集成工具或 MCP(Model Context Protocol)服务器时尤为直观,开发者只需定义两种类型即可清晰界定权限边界。

```mermaid flowchart TD accTitle: 凭证与持久化执行流程 accDescr: 展示用户通过 Slack 触发 Agent、请求授权并在持久化检查点机制下无缝恢复的完整链路

subgraph Trigger["触发与权限检查"] A["用户在 Slack 触发 GTM Agent"] --> B{"是否具备 CRM 访问权限?"} B -->|"是"| C["使用凭证执行工具调用"] end

subgraph PauseResume["LangGraph 检查点与授权"] B -->|"否"| D["仅向用户发送私有授权提示"] D --> E["任务无限期挂起并保存 Checkpoint"] E -.->|"数小时或数天后用户点击授权"| F["读取恢复检查点"] F --> C end ```

由于 Deep Agents 运行在 LangGraph Runtime 之上,它原生继承了持久化执行(durable execution)、状态检查点(checkpointing)以及人机协同(human-in-the-loop)能力。这使得系统能够在等待外部授权时无限期挂起任务,而不会丢失任何上下文。Victor 举了内部 GTM Agent 在 Slack 中的真实使用案例:“以用户身份第一次在 Slack 中使用 GTM Agent 时,如果它需要代表我访问 CRM,它会提示我去完成授权,并发送一条仅我可见的私密消息。我可能过了三天才想起来‘哎呀,我忘了授权这事’,然后点击授权,它就会丝毫不差地从当初中断的地方继续执行。”正如 Victor 所强调的:

> “So because we have that durable execution, it makes it very easy to do things mid-task.”

- **凭证类型切分**:分为 user-scoped(用户个人认证)与 agent-scoped(服务账号/公共认证)两种,便于对各类 MCP 服务与 API 工具做细粒度控制。 - **免超时无限挂起**:依托 LangGraph 底层的状态检查点机制,Agent 可以在等待授权或人工介入时无限期暂停,完全规避传统 Webhook 或轮询带来的超时中断问题。

---

[10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 渠道感知的记忆隔离机制

记忆是让 Agent 随着时间推移能够不断积累并提升能力的基石。Victor 指出,Managed Deep Agents 支持两层记忆设定:一层是 Agent 级记忆,用于增强其程序化技能(procedural memory);另一层是用户级记忆,用于记住个人偏好,例如个人偏好的邮件写作口吻、触达客户的习惯等。

由于所有逻辑都以代码进行管理,开发者可以结合调用渠道(Channel)以及特定工具来做差异化隔离。例如: 1. **Slack 私聊(DM)环境**:Agent 可以安全读取用户的个人记忆与个人凭证,提供高度个性化的定制输出。 2. **Slack 共享频道(Shared Channel)**:为了防止个人偏好、私密上下文或关键凭证泄露,Agent 会自动切换至 Agent 级凭证或服务账号,仅使用公开安全的记忆与上下文。

---

[11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) Context Hub 协作与 Harbor 自动化评测

为了打破业务人员与工程人员之间的沟通壁垒,Managed Deep Agents 与 LangSmith 的 Context Hub 实现了原生打通。Context Hub 提供了一个带版本控制的共享工作空间,业务专家能够在此可视化查看、编辑 Agent 可用的技能与上下文,甚至将特定技能直接晋升发布到生产 Workspace 中,让非技术业务人员直接参与 Agent 核心能力的迭代。

```mermaid flowchart LR accTitle: Context Hub 与 Harbor 评估流程 accDescr: 业务人员在 Context Hub 维护上下文,工程师通过 mda CLI 启动 Harbor 交互式评测并实现爬山式迭代

subgraph ContextMgmt["Context Hub 协作"] A["业务专家编写/编辑 Skills"] --> B["版本控制与晋升至 Workspace"] end

subgraph HarborEval["Harbor 评测流"] B --> C["运行 CLI: mda evals init --interactive"] C --> D["Coding Agent 自动配置环境与 Checks"] D --> E["运行评测数据集并在实验中 Hill-Climbing"] end ```

而当团队开始频繁修改上下文和技能时,评测(Evals)就成了守护质量的核心命脉。Victor 提到,Managed Deep Agents 深度整合了 Harbor 评测框架。为了降低复杂的配置门槛,CLI 提供了交互式命令:

```bash mda evals init --interactive ```

带上 `--interactive` 参数后,系统会直接唤起一个内置的 Coding Agent,以交互方式一步步引导开发者搭建 Harbor 隔离环境、配置断言检查项。在此基础上,团队能够依据测试数据集与实验指标,实现指标的持续“爬山”(hill-climbing)优化。

---

[12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) Parallel 原生集成与设计伙伴反馈

在搜索与外部数据获取方面,LangChain 宣布与 Parallel 达成深度合作。传统模式下开发者需要自行申请 API Key 并处理数据留存风险,而现在这一能力已通过 MCP 内置到 LangSmith 和 LangChain 生态中:

> “And we are offering zero data retention, and you can essentially use it directly through LangSmith without having to go get your own Parallel search key.”

对于绝大多数依赖准确外部信息的 Agent 场景,这种免配置密钥、零数据留存(Zero Data Retention)的搜索管道极大地缩短了开发路径。

随后,Victor 诚挚感谢了早期两位关键的设计伙伴(Design Partners): - **Kyth 的 Zahid**:在方案打磨初期展现了极高水平的专业坚持与主见(“He was very opinionated as well, which is very helpful in a design partner”),深度协助团队确立了用户凭证与个性化记忆的交互模式。 - **Consensus 的 Derek 团队**:采用类似内部“突击队”(Tiger Team)的组织形态,穿梭于公司各个不同业务部门之间,使用 Managed Deep Agents 协助搭建多样化的内部定制 Agent。Victor 指出,这种由专门小组为组织内各部门沉淀领域专长、铺设 Agent 工具的模式,正变得越来越流行。

---

[13:56](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=836s) 新特性演进:HTTP 渠道、自建调度与动态 Agent

在演讲的尾声,Victor 集中展示了 Managed Deep Agents 近期上线的三项重要功能:

| 新功能 | 核心机制 | 典型应用场景 | |:--- |:--- |:--- | | **HTTP Channels** | 提供开放的自定义渠道接入规范,补充现有的 Slack、GitHub 原生渠道 | 企业自建 Web 聊天窗、内网审批系统、第三方 IM 工具接入 | | **Agent-Created Schedules** | 赋予 Agent 自行创建定时任务(Cron/Schedule)的权限 | “每周一早 9 点帮我生成报告”或“自动扫描本日客户会议并输出摘要” | | **Per-run Config** | 支持在单次运行请求中动态注入运行时配置 | 根据用户身份、调用来源或前端上下文即时调整 Agent 结构与行为参数 |

借助 Per-run Config,开发者不再需要为微小的上下文变体维护大量死板的 Agent 实例,而是可以在运行时传入参数,动态装配与派生出符合当前任务需要的 Agent。Victor 满怀期待地总结道,非常欢迎大家将自己的领域专长带入 Managed Deep Agents 中,期待社区能够借助这一框架打造出更多惊艳的生产级应用。

## Notable quotes > [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) 我们坚信,模型的能力上限完全取决于提供给它的上下文。 — Victor Moreira

## Mentioned Victor Moreira, LangChain, Managed Deep Agents, Deep Agents, LangSmith, LangSmith Studio, LangSmith Deployment, Context Hub, Harbor, mda CLI, Madrigal, Parallel, Kyth, Consensus, Zahid, Derek, ReAct, MCP (Model Context Protocol), LangGraph, Slack, GitHub

## Video description Victor Moreira, Product Manager at LangChain, explains what it takes to move a deep agent from a local prototype into production, and how Managed Deep Agents, now in public beta, couples the Deep Agents harness with LangSmith infrastructure so your team can focus on the business logic. Using LangChain's internal GTM agent as the example, he shows how an agent is scaffolded into one project structure with the mda CLI, run locally in LangSmith Studio, and deployed on LangSmith Deployment, then covers who can call the agent, when it should use user or agent-scoped credentials, how a run can wait for a user to authorize access and pick up where it left off, which memories and credentials it can use in a Slack DM versus a shared channel, versioned context in LangSmith Context Hub, and Harbor evals that a coding agent helps you set up. He also shares how Madrigal built a domain-specific harness by breaking its researchers' expertise into skills, built-in web search through a partnership with Parallel, the design partners Kyth and Consensus, and recent additions including HTTP channels, agent-created schedules, and per-run config for dynamic agents.

This session was captured at Interrupt London, the agent conference by LangChain.

Chapters: 0:00 Why agents need a harness, and what Deep Agents puts in one 3:05 How Madrigal turned research expertise into skills 3:54 What it takes to get a local prototype into production 5:33 What Managed Deep Agents runs for you out of the box 6:54 Scaffolding a GTM agent with the mda CLI 8:40 Who can call your agent, and whose credentials does it use? 10:04 Pausing a run until the user authorizes access 10:41 Keeping personal memory out of shared Slack channels 11:34 Sharing context in Context Hub and hill climbing with Harbor 12:43 Using Parallel search without your own API key 13:12 How design partners helped shape Managed Deep Agents 13:56 What's new with HTTP channels, schedules, and dynamic agents

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 Context Hub: https://docs.langchain.com/langsmith/use-the-context-hub → Interrupt, the agent conference by LangChain: https://interrupt.langchain.com

[Source](https://www.youtube.com/watch?v=Wb3hQaG_xf0)

中文简报

LangChain将Agent Harness与LangSmith深度结合,破解生产落地难题 部署可靠的AI智能体需要将专有的领域技能与底层执行层分离,以防止在凭证、内存泄漏和任务持久化方面出现运维故障。 Victor Moreira推出了Managed Deep Agents,作为解决智能体部署中各项运维挑战的方案,提供了一个标准化的脚手架工具以实现统一的项目架构。演讲详细阐述了该系统如何处理生产环境中的关键需求,例如持久化执行、区分用户与智能体的凭证作用域,以及协作上下文管理。他还强调了团队如何利用Harbor评估、并行搜索等内置功能,以及HTTP通道和动态的智能体自建调度等新特性,来简化智能体的全生命周期管理。 LangChain的Managed Deep Agents(MDA)已进入公开测试阶段,提供了一个将Deep Agents执行模型与LangSmith生产基础设施相结合的集成套件。 (0:06) 该平台推出了`mda`命令行工具(CLI),旨在规范智能体项目结构、基于LangSmith Studio的本地开发以及部署工作流程。 (6:54) 安全和隐私通过上下文感知授权进行管理,该机制可根据不同通道区分个人用户级凭证与基于服务的智能体凭证。 (10:43) 开发者现在可以使用基于Harbor的评估套件,并获得了一项新功能,即利用编码智能体自动搭建和配置评估检查。 (11:34)

精炼阅读摘要

LangChain 产品经理 Victor Moreira 指出,企业级智能体架构已从早期的 ReAct 模式演进为以上下文交付为核心的“模型加线束”(Model plus Harness)体系,旨在解决从本地原型到生产环境的工程鸿沟。 从 ReAct 到线束架构的演进 (0:06) LangChain 最初的智能体范式围绕 ReAct(推理与行动)循环构建,但当前生产级架构已演进为由模型与其周围运行环境共同构成的“模型加线束”体系。线束涵盖了技能、系统提示词、记忆机制和执行工具。Victor Moreira 强调,大模型的能力完全取决于其被赋予的上下文质量,线束的本质目标正是在精确时刻提供精确信息。Deep Agents 线束由四大支柱构成:一是提供原生文件系统读写与沙盒代码执行能力的执行环境;二是通过技能渐进披露、长短期记忆与对话压缩构成的上下文管理;三是负责任务拆解与分发的子智能体委托机制;四是通过人机协同(Human-in-the-Loop)实现执行暂停与人工授权的实时引导能力。 业务逻辑沉淀与跨越投产鸿沟 (3:05) 制药企业 Madrigal 的落地案例表明,将业务逻辑转化为标准化技能是规模化扩展的关键。Madrigal 的工程师与科研人员将医学博士的专业研究方法固化为离散的智能体技能,并结合结构化评估,使企业内部不同团队都能快速启动定制化的科研智能体。生产级系统的成功依赖业务逻辑、线束运行时和底层基础设施三层的协同。虽然本地原型验证相对容易,但投产时必须应对多租户隔离、持久化执行、状态保持、高并发任务队列和 Token 流式传输等分布式系统挑战。Managed Deep Agents 通过将 Deep Agents 线束直接绑定到 LangSmith 生产级基建,帮助开发者免去底层运维负担,专注于业务逻辑设计。 mda 命令行与标准化工程范式 (6:54) 为了规范团队开发协同并降低维护成本,平台推出了专用的 `mda` 命令行工具。开发周期由三个核心命令驱动:使用 `mda init` 初始化具有统一目录规范的项目、通过 `mda dev` 在 LangSmith Studio 中进行本地实时调试,以及利用 `mda deploy` 直接打包部署至 LangSmith 运行时。LangChain 内部销售和产品团队日常使用的 Go-To-Market (GTM) 智能体展示了这种模块化文件结构:由 `agent.ts` 或 `agent.py` 承载主执行循环,配合 `instructions/` 规范基础行为、`skills/` 存放特定业务操作手册、`tools/` 对接外部工具与 MCP 服务,并通过独立配置文件管理身份凭证策略和记忆作用域。 身份鉴权、持久化执行与数据隔离 (8:40) 智能体在接入 Slack、网页或 API 等异构入口时,必须精确辨识调用者身份并施加访问权限。系统通过集中的鉴权处理服务解析来源通道,区分终端用户与自主智能体身份,并将解析出的主体注入运行时上下文,防止凭证在不同运行间泄露。开发者可自由配置用户级凭证或服务级凭证。基于 LangGraph 运行时的持久化执行和检查点机制,智能体在触发需要鉴权的任务时可以无限期挂起并向用户发送私信确认,用户甚至在数天后点击授权,系统仍能从中断处继续运行。在数据隐私层面,智能体能够根据场景动态切换:在 Slack 私信中可访问个人凭证和记忆,而在共享频道中则强制切换为智能体级作用域,防止敏感信息外溢。 协作中枢、Harbor 评测与新增特性 (11:34) 生产系统的持续迭代依赖于 LangSmith Context Hub 与评测体系。Context Hub 提供了一个带版本控制的共享协作空间,供工程与业务团队查看和调整智能体调用的技能与上下文。借助 Harbor 集成,开发者运行 `mda evals init --interactive` 即可调动代码智能体交互式搭建评测环境并制定检查标准,实现指标的持续攀升。此外,平台与 Parallel 达成合作,提供具备零数据留存特性的无密搜索支持。结合设计伙伴 Kyth 与 Consensus 的反馈,平台近期新增了支持自定义通信协议的 HTTP 通道、支持智能体自主创建周期性日程的定时任务机制,以及允许在调用时动态调整行为的单次运行配置(Per-run Config)。 Managed Deep Agents 通过将运行线束、标准工程脚手架与 LangSmith 生产基建深度绑定,系统化地解决了复杂智能体在权限隔离、持久中断与上下文管理层面的工程挑战。但随着智能体自主创建周期任务及调用权限的下放,企业在真实多租户协作环境中如何兼顾极度灵活的个性化编排与确定性的安全合规,仍是有待长期观察与验证的工程课题。

Detailed notes — zh

## Background 本内容由 LangChain 官方频道于 2026 年 10 月 26 日发布在 YouTube 平台上,记录了在伦敦举办的 Interrupt Agent 大会上产品经理 Victor Moreira 的主题演讲。视频主要介绍了已开启公测的 Managed Deep Agents,阐述其如何将 Deep Agents 的运行环境(Harness)与 LangSmith 底层基础设施深度融合,帮助开发者通过统一脚手架迅速将本地原型 Agent 推向生产环境。 ## TL;DR 演讲深入剖析了生产级 Agent 架构如何从传统的 ReAct 演化为“模型 + 运行环境(Harness)”,并指出将本地原型推向生产时必须解决持久化执行、凭证隔离及任务队列等底层复杂度。Victor 结合 LangChain 内部 GTM Agent 的实际落地经验,展示了利用 mda CLI 规范化脚手架进行开发部署的标准流程,并详解了渠道感知的记忆隔离机制与用户/Agent 凭证切换逻辑。此外,他还介绍了通过 Context Hub 实现业务人员与工程师无缝协作、使用 Harbor 进行交互式自动化评测、以及内置免密钥 Parallel 搜索和支持动态调度的全新扩展能力。 ## Atmosphere & style 整场演讲呈现出典型高密度技术发布会的干练与务实风格,主讲人语调沉稳、逻辑严密,直面工程团队在自研 Agent 落地时最容易踩坑的“胶水代码”泥潭。分享节奏紧凑且结构清晰,巧妙穿插了 Slack 凭证授权挂起等生动的第一手真实业务用例,让观众在严谨的基础设施架构推演中切实体会到从混乱工程细节向极简开发范式跃升的掌控感。 ## Bulletin - [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) LangChain 推出进入公测阶段的 Managed Deep Agents,将 Deep Agents 的运行环境(Harness)与 LangSmith 基础设施结合,使开发者无需自研多租户、任务队列和持久化执行即可部署生产级 Agent。 - [10:04](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=604s) 借助 LangGraph Runtime 底层的状态检查点机制,Agent 可以在任务中途遇到权限缺失时无限期挂起并等待用户授权,授权完成后无缝恢复执行。 - [10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 系统支持根据运行渠道实现记忆与凭证隔离,在 Slack 私聊中可调用用户级记忆与凭证,而在共享频道中自动切换为服务账号以防止敏感数据泄露。 - [12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) LangChain 与 Parallel 达成集成合作,通过 MCP 原生提供具备“零数据留存(Zero Data Retention)”特性的网络搜索能力,开发者无需自行申请或配置 API Key。 ## Key takeaways - [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) Agent 的行业定义已从最初的 ReAct 架构演进为“模型 + 运行环境(Model + Harness)”,模型的能力上限根本上取决于 Harness 提供的上下文质量。 - [01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) Deep Agents Harness 由四大支柱支撑:集成沙箱的文件执行环境、渐进式技能披露的上下文管理、子 Agent 任务委派,以及人机协同的中断与介入能力。 - [01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) 制药研究企业 Madrigal 通过将博士研究员的主观专业经验拆解为具象技能,并配合 Evals 建立了高质量的领域专用科研 Agent 迭代飞轮。 - [03:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=234s) 生产级 Agent 包含业务逻辑、Harness 与基础设施三层架构,从本地原型走向生产的核心挑战在于多租户隔离、持久化执行和任务队列等工程复杂度。 - [05:33](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=333s) Managed Deep Agents 基于 LangSmith Deployment 运行时,开箱即用支持持久化调度、沙箱隔离代码执行、MCP / A2A 互联互通及端到端可观测性。 - [06:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=414s) 官方推出 mda CLI 工具,通过 init、dev 和 deploy 三个极简命令规范项目脚手架,统一了多工程师跨项目协作的标准代码结构。 - [08:40](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=520s) 集中的鉴权处理服务(Auth Handler Service)负责解析调用主体是终端用户还是 Agent 自身,并将主体身份注入运行时上下文以下发权限控制。 - [09:39](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=579s) 凭证明确划分为用户级凭证(user-scoped)与 Agent 级凭证(agent-scoped),便于对不同 MCP 服务和 API 接口进行细粒度权限管控。 - [10:04](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=604s) 依托 LangGraph 的持久化检查点机制,Agent 可向用户私聊发送授权提示并安全挂起数天,用户完成授权后丝毫不差地恢复执行。 - [10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 记忆系统分为 Agent 程序化技能记忆与用户个性化记忆,系统可结合渠道类型(如 Slack 私聊 vs 共享群组)动态决定是否启用个人私密偏好与上下文。 - [11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) 业务专家可通过 LangSmith Context Hub 在带有版本控制的共享环境中维护提示词与技能,无需工程师介入即可将业务逻辑晋升发布至生产环境。 - [11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) 通过执行 mda evals init --interactive,系统会唤起内置的 Coding Agent 交互式引导开发者搭建 Harbor 隔离评测环境与测试断言,辅助指标持续爬山优化。 - [12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) 原生内置 Parallel 搜索集成,为 Agent 带来免密钥配置且遵循零数据留存原则的实时外部信息检索能力。 - [13:56](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=836s) 最新迭代引入了开放自定义接入的 HTTP Channels、支持 Agent 自主创建定时任务的 Schedules,以及用于动态派生装配 Agent 的 Per-run Config。 ## Detailed walkthrough ### [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) 什么是 Agent?从 ReAct 到“模型 + 运行环境(Harness)”的演变 Victor Moreira 是 LangChain 的产品经理。在本次演讲开场时,他明确了分享的主题:如何将关键业务 Agent(mission-critical agents)从本地原型阶段推向生产环境,以及如何通过 Managed Deep Agents(已进入公测阶段)实现这一目标。关于“什么是 Agent”,LangChain 最初的定义基于 ReAct 架构(Reason and Action,即“推理与行动”):Agent 能够根据外部环境做出反应,调用一组工具,并在特定任务上进行循环推理和执行,以达成预设目标。 然而,随着行业和技术的发展,这一定义逐渐演进为“模型 + 运行环境(Model + Harness)”。在 LangChain 看来,正是模型周围包裹的整套系统定义了 Agent——包括技能(Skills)、记忆(Memory)、系统提示词(System Prompt)等核心组件。为什么开发者要耗费精力针对具体用例构建专门的 Agent Harness?Victor Moreira 强调,其核心目的就是“在正确的时间为模型提供正确的上下文,从而让它完成特定的任务”。正如 Victor 所言:“我们坚信,模型的能力上限完全取决于提供给它的上下文。”因此,LangChain 开发了 Deep Agents,提供一个高度可定制的基础 Harness,供开发者基于自身业务场景进行二次开发。 ```mermaid flowchart LR accTitle: Agent 架构演进示意图 accDescr: 展示从最初的 ReAct 架构演进到当前模型加 Harness 的架构组成。 subgraph S1["传统 ReAct 模式"] A["Reason (推理)"] <--> B["Action (行动 / 工具调用)"] end subgraph S2["现代 Agent Harness 架构"] C["Foundation Model"] --- D["Execution Environment"] C --- E["Context Management"] C --- F["Delegation (子 Agent)"] C --- G["Human-in-the-Loop"] end ``` ### [01:46](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=106s) Deep Agents Harness 的四大核心支柱与 Madrigal 实践 Deep Agents Harness 的底层能力由四个关键部分支撑: 1. **执行环境(Execution Environment)**:这是 Deep Agents 的基石。现代大模型在文件系统操作、编写代码等方面表现极其出色。Deep Agents 对文件系统提供了原生(first-class)支持,并配合安全的 Sandbox(沙箱),确保模型编写的代码能在受控且安全的环境中执行。 2. **上下文管理(Context Management)**:通过“技能的渐进式披露(progressive disclosure of skills)”实现精准的上下文供给。Agent 需要自主管理记忆、对长对话进行摘要浓缩(compact down),并在必要时卸载上下文。例如,当工具返回庞大的数据结果时,系统可以先将其保存到文件系统中,等模型实际需要时再去读取引用,避免撑爆上下文窗口。 3. **任务委派(Delegation)**:系统能够将复杂任务拆解,并委派给专用子 Agent 或通用子 Agent 协同完成。 4. **人工介入(Steering through Human in the Loop)**:支持在关键节点暂停并等待人类审批。这也是 LangChain 将此次大会命名为“Interrupt(中断)”的核心原因所在。 作为领域专用 Harness 的成功案例,制药研究企业 Madrigal 与 LangChain 深度合作,为其博士研究员们打造了一套规范化、高标准的科研 Agent。Madrigal 涉及医药研发的诸多细分领域,他们将科研人员的主观专业经验拆解并沉淀为具体的“技能(Skills)”。其平台工程团队配合构建评测基准(Evals),从而成功带动了评估与迭代的飞轮效应。 ### [03:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=234s) 生产化困境:从本地神奇时刻到三大分层的复杂度 在构建 Agent 时,系统整体可拆解为三个不可或缺的层次: - **业务逻辑(Business Logic)**:开发者自身的专业知识与业务规则,也是 Agent 的核心价值来源。 - **运行环境(Harness)**:承载并执行这些专业知识的具体系统框架(如 Deep Agents)。 - **底层基础设施(Infrastructure)**:支持多租户隔离、持久化与生产级稳定运行的底层环境。 三者必须紧密配合,Agent 才能稳定落地生产环境。开发者通常先在本地进行原型验证。在本地跑通 Agent 往往是一种“神奇且令人兴奋的体验”,证明了模型确实具备完成特定领域任务的潜力。但一旦尝试推向生产,局面便会迅速失控。开发团队必须自行承担多租户处理(Multi-tenancy)、持久化(Persistence)、持久执行(Durable Execution)、流式传输(Streaming)以及任务队列(Task Queue)等复杂工程问题。例如,如何在大规模用户并发时决定任务的优先级与调度顺序,往往极难从零正确实现。 ### [05:33](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=333s) 告别胶水代码:Managed Deep Agents 开箱即用的底层支撑 针对上述痛点,Managed Deep Agents 将 Harness 执行环境与底层基础设施进行了紧密结合。这种深度耦合解放了工程团队,正如 Victor 所说:“这极其重要的一步,让您和您的开发人员能够直接专注于真正让 Agent 变得更好的东西——也就是业务逻辑本身。” 通过直接运行在经过充分生产验证的 LangSmith Deployment 运行时之上,Managed Deep Agents 提供了以下开箱即用的功能: - **持久化与调度**:原生包含持久化执行机制与任务队列,无需自行搭建后端服务。 - **互联互通机制**:内置支持 MCP(Model Context Protocol)以及 A2A(Agent-to-Agent)通信,便于多 Agent 间的编排调度。 - **Context Hub**:为工程团队与业务团队搭建协作平台,允许业务人员直接参与维护、版本化控制业务逻辑、指令(Instructions)和技能清单。 - **LangSmith Sandboxes**:提供安全隔离的代码运行沙箱,消除模型自由执行脚本的安全隐患。 - **治理与可观测性**:全面集成 LLM Gateway 进行访问控制,搭配全链路追踪(Tracing)和自动化评测(Evals)。 ```mermaid flowchart TD accTitle: Managed Deep Agents 生产层级架构 accDescr: 展示基础设施、Harness 和业务逻辑三层如何协同工作支撑生产级 Agent。 subgraph Top["业务逻辑层 (开发者与业务用户维护)"] BL["Instructions & Domain Skills"] CH["LangSmith Context Hub"] end subgraph Middle["Harness 执行层 (Deep Agents)"] FS["File System & Code Execution"] CTX["Context & Memory Management"] DEL["Task Delegation (MCP / A2A)"] end subgraph Bottom["基础设施层 (LangSmith Deployment)"] RT["Durable Runtime & Task Queue"] SBX["LangSmith Sandboxes"] GOV["LLM Gateway, Tracing & Evals"] end Top --> Middle Middle --> Bottom ``` ### [06:54](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=414s) 用 mda CLI 脚手架构建内部 GTM Agent 为了规范开发流程,Managed Deep Agents 引入了标准的工程项目结构,并提供 `mda` CLI 工具进行管理。在 LangChain 内部,多名工程师跨多个内部 Agent 项目协作,这种统一的结构让开发者进入任何新项目时都能立即理解其逻辑与运行模式。 整个开发与发布流包含三个极简命令: - `mda init <agent-name>`:快速生成项目脚手架(例如初始化 `gtm-agent`)。 - `mda dev`:启动本地开发环境,并在 LangSmith Studio 中直观运行与调试。 - `mda deploy`:直接打包并部署上线到生产运行环境。 以 LangChain 内部高度依赖的 GTM(Go-To-Market)Agent 为例,该 Agent 极大地协助了销售团队与 GTM 人员的日常工作。其项目代码结构高度模块化: - `agent.ts` 或 `agent.py`:支持 TypeScript 或 Python,定义 Agent 的主循环机制。 - `instructions`:存放核心业务逻辑与行为指导规范。 - `skills`:为不同业务操作赋予类似 Playbook 的技能包。 - `tools`:连接外部系统与 MCP 服务器的扩展工具接口。 - `auth / identity` 与 `memory`:集中配置认证授权逻辑、主体身份传递,以及 Agent 记忆的存储与检索机制。 ### [08:40](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=520s) 生产级身份验证:调用者识别与凭证传递 将 Agent 投入实际运行后,最具挑战性的问题之一就是安全与权限隔离:“确保它能够获取正确的上下文,并拥有访问该上下文或这些不同工具的正确权限。” 系统面临的首要问题是:“究竟是谁在调用这个 Agent?”在 Managed Deep Agents 中,该能力由一个集中的鉴权处理服务(Auth Handler Service)统一接管。无论请求来自何种外部渠道(如 Slack、Web 界面或 API),该服务都会严格解析出本次调用的主体(Principal)——明确调用者究竟是 Agent 自身身份,还是某一特定终端用户。确认身份后,该主体信息会被注入运行时上下文(Runtime Context)并随调用链下发至后续的工具链或连接系统,为后续细粒度的权限控制、账密隔离与上下文获取奠定基础。 ### [09:39](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=579s) 凭证作用域与持久化执行(Durable Execution) 在开发生产级 Agent 时,必须明确工具调用到底应当使用谁的权限。Victor Moreira 解释道,开发者可以在代码中极为轻松地在两类凭证之间进行切换:一类是用户级凭证(user-scoped credentials),另一类是服务账号或 Agent 级凭证(agent-scoped credentials)。这在集成工具或 MCP(Model Context Protocol)服务器时尤为直观,开发者只需定义两种类型即可清晰界定权限边界。 ```mermaid flowchart TD accTitle: 凭证与持久化执行流程 accDescr: 展示用户通过 Slack 触发 Agent、请求授权并在持久化检查点机制下无缝恢复的完整链路 subgraph Trigger["触发与权限检查"] A["用户在 Slack 触发 GTM Agent"] --> B{"是否具备 CRM 访问权限?"} B -->|"是"| C["使用凭证执行工具调用"] end subgraph PauseResume["LangGraph 检查点与授权"] B -->|"否"| D["仅向用户发送私有授权提示"] D --> E["任务无限期挂起并保存 Checkpoint"] E -.->|"数小时或数天后用户点击授权"| F["读取恢复检查点"] F --> C end ``` 由于 Deep Agents 运行在 LangGraph Runtime 之上,它原生继承了持久化执行(durable execution)、状态检查点(checkpointing)以及人机协同(human-in-the-loop)能力。这使得系统能够在等待外部授权时无限期挂起任务,而不会丢失任何上下文。Victor 举了内部 GTM Agent 在 Slack 中的真实使用案例:“以用户身份第一次在 Slack 中使用 GTM Agent 时,如果它需要代表我访问 CRM,它会提示我去完成授权,并发送一条仅我可见的私密消息。我可能过了三天才想起来‘哎呀,我忘了授权这事’,然后点击授权,它就会丝毫不差地从当初中断的地方继续执行。”正如 Victor 所强调的: > “So because we have that durable execution, it makes it very easy to do things mid-task.” - **凭证类型切分**:分为 user-scoped(用户个人认证)与 agent-scoped(服务账号/公共认证)两种,便于对各类 MCP 服务与 API 工具做细粒度控制。 - **免超时无限挂起**:依托 LangGraph 底层的状态检查点机制,Agent 可以在等待授权或人工介入时无限期暂停,完全规避传统 Webhook 或轮询带来的超时中断问题。 --- ### [10:41](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=641s) 渠道感知的记忆隔离机制 记忆是让 Agent 随着时间推移能够不断积累并提升能力的基石。Victor 指出,Managed Deep Agents 支持两层记忆设定:一层是 Agent 级记忆,用于增强其程序化技能(procedural memory);另一层是用户级记忆,用于记住个人偏好,例如个人偏好的邮件写作口吻、触达客户的习惯等。 由于所有逻辑都以代码进行管理,开发者可以结合调用渠道(Channel)以及特定工具来做差异化隔离。例如: 1. **Slack 私聊(DM)环境**:Agent 可以安全读取用户的个人记忆与个人凭证,提供高度个性化的定制输出。 2. **Slack 共享频道(Shared Channel)**:为了防止个人偏好、私密上下文或关键凭证泄露,Agent 会自动切换至 Agent 级凭证或服务账号,仅使用公开安全的记忆与上下文。 --- ### [11:34](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=694s) Context Hub 协作与 Harbor 自动化评测 为了打破业务人员与工程人员之间的沟通壁垒,Managed Deep Agents 与 LangSmith 的 Context Hub 实现了原生打通。Context Hub 提供了一个带版本控制的共享工作空间,业务专家能够在此可视化查看、编辑 Agent 可用的技能与上下文,甚至将特定技能直接晋升发布到生产 Workspace 中,让非技术业务人员直接参与 Agent 核心能力的迭代。 ```mermaid flowchart LR accTitle: Context Hub 与 Harbor 评估流程 accDescr: 业务人员在 Context Hub 维护上下文,工程师通过 mda CLI 启动 Harbor 交互式评测并实现爬山式迭代 subgraph ContextMgmt["Context Hub 协作"] A["业务专家编写/编辑 Skills"] --> B["版本控制与晋升至 Workspace"] end subgraph HarborEval["Harbor 评测流"] B --> C["运行 CLI: mda evals init --interactive"] C --> D["Coding Agent 自动配置环境与 Checks"] D --> E["运行评测数据集并在实验中 Hill-Climbing"] end ``` 而当团队开始频繁修改上下文和技能时,评测(Evals)就成了守护质量的核心命脉。Victor 提到,Managed Deep Agents 深度整合了 Harbor 评测框架。为了降低复杂的配置门槛,CLI 提供了交互式命令: ```bash mda evals init --interactive ``` 带上 `--interactive` 参数后,系统会直接唤起一个内置的 Coding Agent,以交互方式一步步引导开发者搭建 Harbor 隔离环境、配置断言检查项。在此基础上,团队能够依据测试数据集与实验指标,实现指标的持续“爬山”(hill-climbing)优化。 --- ### [12:43](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=763s) Parallel 原生集成与设计伙伴反馈 在搜索与外部数据获取方面,LangChain 宣布与 Parallel 达成深度合作。传统模式下开发者需要自行申请 API Key 并处理数据留存风险,而现在这一能力已通过 MCP 内置到 LangSmith 和 LangChain 生态中: > “And we are offering zero data retention, and you can essentially use it directly through LangSmith without having to go get your own Parallel search key.” 对于绝大多数依赖准确外部信息的 Agent 场景,这种免配置密钥、零数据留存(Zero Data Retention)的搜索管道极大地缩短了开发路径。 随后,Victor 诚挚感谢了早期两位关键的设计伙伴(Design Partners): - **Kyth 的 Zahid**:在方案打磨初期展现了极高水平的专业坚持与主见(“He was very opinionated as well, which is very helpful in a design partner”),深度协助团队确立了用户凭证与个性化记忆的交互模式。 - **Consensus 的 Derek 团队**:采用类似内部“突击队”(Tiger Team)的组织形态,穿梭于公司各个不同业务部门之间,使用 Managed Deep Agents 协助搭建多样化的内部定制 Agent。Victor 指出,这种由专门小组为组织内各部门沉淀领域专长、铺设 Agent 工具的模式,正变得越来越流行。 --- ### [13:56](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=836s) 新特性演进:HTTP 渠道、自建调度与动态 Agent 在演讲的尾声,Victor 集中展示了 Managed Deep Agents 近期上线的三项重要功能: | 新功能 | 核心机制 | 典型应用场景 | |:--- |:--- |:--- | | **HTTP Channels** | 提供开放的自定义渠道接入规范,补充现有的 Slack、GitHub 原生渠道 | 企业自建 Web 聊天窗、内网审批系统、第三方 IM 工具接入 | | **Agent-Created Schedules** | 赋予 Agent 自行创建定时任务(Cron/Schedule)的权限 | “每周一早 9 点帮我生成报告”或“自动扫描本日客户会议并输出摘要” | | **Per-run Config** | 支持在单次运行请求中动态注入运行时配置 | 根据用户身份、调用来源或前端上下文即时调整 Agent 结构与行为参数 | 借助 Per-run Config,开发者不再需要为微小的上下文变体维护大量死板的 Agent 实例,而是可以在运行时传入参数,动态装配与派生出符合当前任务需要的 Agent。Victor 满怀期待地总结道,非常欢迎大家将自己的领域专长带入 Managed Deep Agents 中,期待社区能够借助这一框架打造出更多惊艳的生产级应用。 ## Notable quotes > [00:06](https://www.youtube.com/watch?v=Wb3hQaG_xf0&t=6s) 我们坚信,模型的能力上限完全取决于提供给它的上下文。 — Victor Moreira ## Mentioned Victor Moreira, LangChain, Managed Deep Agents, Deep Agents, LangSmith, LangSmith Studio, LangSmith Deployment, Context Hub, Harbor, mda CLI, Madrigal, Parallel, Kyth, Consensus, Zahid, Derek, ReAct, MCP (Model Context Protocol), LangGraph, Slack, GitHub ## Video description Victor Moreira, Product Manager at LangChain, explains what it takes to move a deep agent from a local prototype into production, and how Managed Deep Agents, now in public beta, couples the Deep Agents harness with LangSmith infrastructure so your team can focus on the business logic. Using LangChain's internal GTM agent as the example, he shows how an agent is scaffolded into one project structure with the mda CLI, run locally in LangSmith Studio, and deployed on LangSmith Deployment, then covers who can call the agent, when it should use user or agent-scoped credentials, how a run can wait for a user to authorize access and pick up where it left off, which memories and credentials it can use in a Slack DM versus a shared channel, versioned context in LangSmith Context Hub, and Harbor evals that a coding agent helps you set up. He also shares how Madrigal built a domain-specific harness by breaking its researchers' expertise into skills, built-in web search through a partnership with Parallel, the design partners Kyth and Consensus, and recent additions including HTTP channels, agent-created schedules, and per-run config for dynamic agents. This session was captured at Interrupt London, the agent conference by LangChain. Chapters: 0:00 Why agents need a harness, and what Deep Agents puts in one 3:05 How Madrigal turned research expertise into skills 3:54 What it takes to get a local prototype into production 5:33 What Managed Deep Agents runs for you out of the box 6:54 Scaffolding a GTM agent with the mda CLI 8:40 Who can call your agent, and whose credentials does it use? 10:04 Pausing a run until the user authorizes access 10:41 Keeping personal memory out of shared Slack channels 11:34 Sharing context in Context Hub and hill climbing with Harbor 12:43 Using Parallel search without your own API key 13:12 How design partners helped shape Managed Deep Agents 13:56 What's new with HTTP channels, schedules, and dynamic agents 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 Context Hub: https://docs.langchain.com/langsmith/use-the-context-hub → Interrupt, the agent conference by LangChain: https://interrupt.langchain.com [Source](https://www.youtube.com/watch?v=Wb3hQaG_xf0)

Source quotes

[0:06] Victor Moreira: 我们坚信,模型的能力上限完全取决于提供给它的上下文。