LangChain 推出托管深度智能体，支持一键生产部署

LangChain 宣布，托管深度智能体（Managed Deep Agents）现已在 LangSmith Cloud 上进入公开测试阶段。开发者只需一条命令，即可从文件文件夹中构建、测试并部署深度 AI 智能体——无需服务器，也无需搭建基础设施。

发生了什么

根据 LangChain 博客（2026 年 11 月 2 日）的报道，托管深度智能体允许用户在标准 Python 项目中定义智能体的指令、工具和模型，然后运行 mda deploy 将其部署到 LangSmith。该平台提供了一个持久的 Agent Server，负责处理线程持久化、流式运行和计划任务，用户无需管理任何服务器。一个支持机器人示例可以回答 Slack 查询并每晚清理过期工单，每项功能都以项目中的一个文件形式表达。快速入门指南引导用户从空目录到部署一个研究助手，唯一必需的文件是 agent.py。其他资源——如 instructions.md、技能文件夹、工具模块——在部署期间会自动同步到 LangSmith 的 Context Hub，允许在不重新部署的情况下进行实时编辑。

博客指出，相同的开源 Deep Agents 框架在托管服务下运行，保留了熟悉的智能体循环、文件系统工具、子智能体和技能架构。使用 create_deep_agent 构建的现有智能体可以通过“从 Deep Agents 迁移”指南进行迁移，而需要完全托管控制权的团队仍可以在自己的基础设施上使用 Deep Agents SDK。

LangChain 还分享了早期的内部结果：将他们的 Content Studio 项目迁移到托管深度智能体后，代码量减少了约 80%。公开测试阶段的团队已经使用该服务处理各种工作负载，从 GTM 智能体到代码生成工具。

n8n 博客关于 AI 智能体记忆的文章（2024 年）提供了补充背景：生产级智能体需要能够跨重启和会话存活的持久记忆层。文章描述了短期记忆（运行内状态）和长期记忆（持久存储），并指出外部存储——向量数据库、纯文件或知识图谱——对于可靠的状态管理至关重要。托管深度智能体通过在 LangSmith 的 Context Hub 中持久化记忆来满足这些需求，使智能体能够在对话之间回忆升级路径或用户偏好。

为什么这对小团队构建者很重要

对于运营精简 AI 驱动工作流的负责人和团队领导来说，最大的摩擦点一直是运维粘合剂：配置服务器、连接 cron 任务以及构建持久线程存储。托管深度智能体将这些粘合剂抽象为托管运行时，让五人团队能在数小时内而非数周内启动生产级智能体。单命令部署消除了对自定义 Docker 镜像、Kubernetes 集群或独立 cron 服务的需求，这些通常是停机时间和扩展难题的来源。

由于该服务会自动将指令和技能同步到中央 Context Hub，团队可以在不重新部署的情况下迭代智能体行为，从而大幅缩短调试和 A/B 测试的反馈循环。LangSmith 内置的追踪功能还能显示工具调用失败并建议修复方案，将过去手动抓取日志的工作转变为可观察的流水线。这与依赖 DAG 风格编排的小型企业的工作流导向思维相一致：智能体的任务成为一等节点，可以从单一 UI 中进行版本控制、调度和监控。

最后，托管记忆层解决了 n8n 强调的状态持久化问题：智能体可以在不构建独立向量存储或知识图谱的情况下维护短期上下文和长期知识。这既减少了工程工作量，也降低了成本，使团队能够专注于领域逻辑——如工单路由或内容生成——而不是数据存储管道。

本周该做什么

1. 克隆托管深度智能体快速入门仓库，添加一个简单的 agent.py 来回显用户消息，并运行 mda dev 在 LangSmith Studio 中探索智能体。
2. 扩展项目，添加一个调用现有内部 API 的 tools/ 函数，然后运行 mda deploy 通过 Agent Server API 将其暴露给您的应用程序。
3. 通过添加 memory/ 文件夹启用持久记忆，在测试运行中推送一小部分状态（例如用户偏好），并验证其在 mda dev 重启后是否持久存在。

来源

• Managed Deep Agents: the fastest way to ship a production deep agent — LangChain Blog
• AI Agent Memory: How LLM Agents Manage State in Production — n8n Blog