Managed Deep Agents 公测，Chase 放话：Agent 构建的 PaaS 时刻到了

2026 年 8 月 7 日，LangChain 将推向公开测试。开发者在本地用 Python 或 TypeScript 写好 agent，执行 mda deploy，agent 就被部署到 LangSmith 的托管运行时。

模型、指令、工具、中间件和子 agent 逻辑全部留在开发者手里。持久化执行、流式输出、沙箱生命周期、记忆挂载和部署运维由 LangSmith 接管。

LangChain CEO Harrison Chase 在同步发出的 X 文章中写道：「这是我很长一段时间以来最兴奋的发布之一。」他的 X 长文当天获得了超过 5.4 万次阅读，318 次点赞。

Harrison Chase 说这是他一段时间以来最兴奋的发布

Chase 在公测当天发了一篇 X 长文《》。他把 agent 构建分成三个阶段：早期框架（2022–2023）、成熟框架（2024–2025 上半年），以及 2025 年中模型足够强之后涌现的「agent harness + 托管基础设施」范式。

Managed Deep Agents 正是第三个阶段的产物。它把 Deep Agents 这个开源 harness 和 LangSmith 的运维层打包在一起，开发者只需要带自己的业务逻辑进场。

LangChain 团队成员 Christian Bromann ：「构建 agent 的目标已经变了。给 agent 工具、部署到某个地方、在前面放一个 UI。这些不再是难的部分。」

他说，下一个挑战是 agent 周围的「身份、记忆、凭证、权限，以及安全地把它接入用户已经在使用的服务。」

Managed Deep Agents 的公测不是孤立事件。过去三个月，LangChain 密集铺设了这条产品线的地基。

5 月 13 日，LangChain 在 Interrupt 大会上，当时还是私有测试，API 优先的设计面向需要编程化管理 agent 的团队。

7 月 29 日，发布。基础系统提示词被移除，内置工具描述削减 43%，默认 TodoListMiddleware 改为可选，三项改动合在一起把单轮默认输入 token 从约 6k 压到了约 2k，降幅 65%。harness 本身变得更轻、更省成本。

8 月 6 日，公测前一天，LangChain 发了一篇博文：，明确定义了三层技术栈：「LangGraph 是运行时，LangChain 是框架，Deep Agents 是 harness。」三者完全可组合，开发者可以从任意一层进入。

三件事连在一起构成一条清晰的叙事线：LangChain 正在从一个「给你零件自己组装」的框架公司，变成「零件和装配线一起给你」的平台公司。Chase 在长文中也把 Claude Managed Agents 和 Vercel Eve 列为同类。agent 托管正在成为一个独立的产品品类。

Managed Deep Agents 把 agent 上线需要的八项基础设施全部打包进托管运行时，开发者只需要维护一个项目目录。

八项能力分别是：

持久化执行，让长运行 agent 可以暂停、重试、恢复而不丢失进度。流式输出，用户能在 agent 工作时看到实时进展。持久化存储，线程状态跨轮次、重启和故障保持。

沙箱，agent 在隔离环境中操作文件、执行代码、调用 CLI。评估，通过 Harbor 在部署前后检查 agent 的行为和状态变化。通道，让 agent 接入 Slack 等工作工具。

记忆，跨对话的持久偏好和上下文。身份，用户上下文和访问边界。

一个 agent 项目就是文件系统里的一个目录。agent.py（或 .ts）定义核心逻辑，instructions.md 存放提示词并同步到 LangSmith Context Hub。

tools/ 放自定义工具，middleware/ 放自定义中间件，channels/ 定义 Slack 等入口，skills/ 存放可按需加载的领域技能，sandbox/ 配置沙箱，evals/ 放评估任务。

沙箱默认按线程隔离，每个持久化线程得到自己的独立工作环境。所有沙箱活动自动追踪到 LangSmith，出问题时可以回溯每一步。

评估环节与集成。mda evals init 创建评估任务，mda evals compile 把 agent 编译成 Harbor 可运行的构件。

开发者仍然直接运行 Harbor（本地 Docker 或自建环境），Managed Deep Agents 负责把生产就绪的 agent 包装成 Harbor 可消费的格式。

通道方面，只需在 channels/ 下加一个文件，比如 channels.slack(on=["app_mention", "direct_message"], auto_reply=True)。

运行时自动挂载事件端点、验证签名、注入身份标记、在原对话中回复。不需要单独部署一个集成服务。

记忆跨线程持久化。每次部署同步指令和技能，但运行时创建的记忆不受影响：重新部署更新 harness 行为，不会抹掉 agent 学到的东西。身份方面，当前版本支持固定凭证运行，也可以配置 OIDC 提供方按用户隔离线程。

过去两年，构建 agent 的路径大致是：选一个框架，自己搭持久化、流式、沙箱、记忆和评估，然后花几个月把 agent 跑稳。Chase 在长文中写道：「这些是很多不同的考量。」

Managed Deep Agents 把路径压缩成了两步：写 agent 逻辑，部署。Chase 在公测当天发了一张图来说明这个变化：过去是「业务逻辑 + 选 harness + 自己拼基础设施」，现在是「业务逻辑 + 托管 bundle」。

已有团队在正式使用。Fullstory 产品总监说：「Managed Deep Agents 用起来很棒。强烈推荐给正在探索 agent 基础设施、想要一个更统一方案、同时不想被单一模型或实验室锁死的团队。」

一家 stealth 阶段的创业公司工程师给出了量化反馈：「agent 从想法到生产只需几小时，而不是几周。我们的教师 agent 每天早上醒来检查整个 agent 舰队的运行记录，基于可观测性和在线评估驱动改进。」

和 Claude Managed Agents 相比，LangChain 的版本更强调代码优先和模型无关。开发者完全控制模型选择和 agent 行为，托管层不绑定任何模型供应商。

LangChain 开源开发者 Sydney Runkle 在公测当天把 Managed Deep Agents 的价值压缩成了一句话：「你带业务逻辑/领域知识，我们带智能 harness 和托管运行时。」

Managed Deep Agents 试图回答一个越来越紧迫的问题：当 agent 循环变得越来越标准化，差异化到底在哪里？

LangChain 的答案很明确：差异化在业务逻辑里，其余的都是应该被托管掉的基础设施。公测只是第一步，Chase 在文章末尾留了一句：「我们想和你们一起学习和构建这些，请带着反馈来找我们。」