CASE · LANGCHAIN
LangChain Managed Deep Agents：文件夹即深代理，自述 Content Studio 代码约 −80%
原文：LangChain · Introducing Managed Deep Agents ↗
一人公司+AI · 2026-11-03
Content Studio
代码约 -80%
状态
公共 beta
证据
C · 厂商自述
背景（公司、场景、痛点）
原文 · LangChain · Managed Deep Agents
LangChain 介绍 Managed Deep Agents（MDA）：把开源 Deep Agents 套件跑在 LangSmith 上。开发者用普通 Python 项目文件夹定义指令、技能、工具与定时任务，本地 mda dev 调试，mda deploy 一键部署。博文 2026-05 私有预览， 更新称 LangSmith Cloud 公共 beta。
动机：深代理（规划、子代理、文件系统、长时间任务）在开源侧已可用，但生产所需的耐久线程、沙箱、跨会话记忆、cron、观测仍常由客户自建。
原来怎么做
团队用 create_deep_agent 自托管时，要自己编译运行时并运维后端、存储、checkpoint 与服务器。结果是：业务提示词与基建代码缠在一起，主动调度（定时扫票、Slack 多玩家）难以上线。
实际做法（步骤与架构）
- 用
define_deep_agent声明名称、模型、工具；instructions.md与skills/旁路存放； - 按需加
memory.py、schedules/、channels/slack.py、sandbox/、identity.py等文件，部署时由平台供给能力； - 支持
interrupt_on在敏感工具前暂停等人批； - LangChain 称内部 GTM Agent、Open SWE、Content Studio 已跑在 MDA 上，Content Studio 迁入后代码量约少 80%。
对外模式含：告警分诊、工程 webhook 闭环、Slack 内部助手、产品内按用户隔离记忆、按项目长跑代理、定时产出等（beta 用户模式综述，非逐一审计）。
与开源路径的差别：create_deep_agent 返回由你运行的已编译代理，后端/存储/checkpoint/服务器自管；define_deep_agent 去掉运行时托管参数，返回定义交给托管运行时编译。部署暴露 Agent Server API 与 /mcp 端点，便于嵌进自有前端或被 Claude Code 等当作工具调用。Context Hub 保存指令与技能，可在不重新部署时热改；Engine 可基于轨迹提议修改。
效果（数字与声称方）
硬指标几乎只有厂商自述的 Content Studio 代码约 −80%（证据 C）。其余是产品能力清单与模式故事。列表页「代码少约 80%」保留，并标明「自有内容 Agent 迁移，非外部客户」。
没说清楚的地方
- −80% 前后仓库范围、是否含生成物未定义。
- 托管锁定性、数据驻留与价格在博文中不完整。
- 深代理任务成功率/美元成本未系统公开。
我们的判断
可迁移点：「Agent=文件夹」降低协作成本；生产能力文件化避免过早微服务；先自托管狗粮再决定买托管。
minimal_trial：用开源 Deep Agents 做一个「只读网页+写结构化笔记」代理，加步骤预算与人工 checkpoint；量清成功率后再试 mda deploy。
出处
- LangChain：Introducing Managed Deep Agents