李骉
Agents 界的 K8 —— LangChain Managed Deep Agents（MDA）LangChain的Managed Deep Agents（MDA）旨在解决 AI 智能体从“能跑 Demo”到“能上生产”之间巨大的基础设施鸿沟，通过托管化服务，让开发者能像部署容器一样，用一条命令将智能体部署到生产环境。1. 从 Demo 到生产：MDA 填补的鸿沟虽然 create_deep_agent 等工具能快速构建智能体原型，但真正投入生产时，团队仍需耗费数周时间自研一系列基础设施，例如：* 持久线程： 保证任务在跨会话、跨重启后不丢失。* Sandbox 生命周期： 安全地管理代码执行环境，防止资源泄漏。* 多渠道入口： 为 Slack、GitHub 等不同平台编写和维护 Webhook。* 多用户身份隔离： 确保不同用户的数据和线程完全隔离。* 长任务断点续跑： 处理耗时任务中的中断和恢复。* 状态评估（Eval）： 验证智能体执行后的系统状态是否符合预期。2. 四层架构：LangChain 的技术栈全景（受到篇幅限制这里就不赘述了）* Harness 层 (Deep Agents)* Framework 层 (LangChain)* Runtime 层 (LangGraph)* Managed 层 (MDA)3. 核心工作流：mda deploy 一条命令上生产MDA 的核心体验是代码优先。开发者通过 mda init 创建项目，项目目录结构（包含 agent.py, tools/, skills/ 等）本身就是智能体的“契约”。* 开发调试： 使用 mda dev 在 LangSmith Studio 中进行本地调试。* 一键部署： 运行 mda deploy，该命令会编译代码、同步上下文、上传资源，并最终在 LangSmith 上创建一个生产级的部署实例。* 持续迭代： 部署后，可以更新指令和技能，而运行时产生的记忆（memories）不会被清除，实现了智能体“越用越聪明”且可版本化发布。此外，MDA 还集成了 Harbor 用于状态级评估，通过 mda evals compile 将生产中的智能体打包成可验证的工件，确保其行为的正确性。
发布于 北京
1
1
2
未登录
友善发言
评论
加载中
