Managed Deep Agents 快速开始

使用 mda CLI 创建并部署你的第一个 Managed Deep Agent。

创建并部署你的第一个 Managed Deep Agent：搭建项目脚手架、配置模型和指令、添加搜索、在 LangSmith Studio 中测试，并用 mda CLI 部署。Managed Deep Agents 提供 Deep Agents harness 和托管运行时。

完成本快速开始后，教程会在同一个项目上添加持久记忆和一个每日计划。

NOTE

Managed Deep Agents 处于公开 beta 阶段，仅在 US 区域的 LangSmith Cloud 上可用。

前置条件

要跟随操作，你需要：

• Python 和 uv。

• 你所选模型提供商的一个 API 密钥。

添加 managed-deep-agents skill

managed-deep-agents skill 会引导一个编码 agent 使用 mda CLI 来构建、测试和部署一个 Managed Deep Agent。要将其添加到当前项目，运行：

npx skills add langchain-ai/langchain-skills --skill managed-deep-agents --yes

或将以下提示粘贴到你的编码 agent：

Create and deploy a Managed Deep Agent in this working directory by following the Managed Deep Agents quickstart.

第 1 步：阅读指南

Fetch and follow https://www.bytesrouter.com/langsmith/python/managed-deep-agents-quickstart as the source of truth for CLI commands, project layout, and deployment steps. Prefer the Python or TypeScript path that matches this project.

步骤 2：安装 skill

如果 managed-deep-agents skill 尚不可用，请安装它：

npx skills add langchain-ai/langchain-skills --skill managed-deep-agents --yes

当该 skill 可用时，在工作流余下部分使用它。

步骤 3：前置条件和机密

确认用户拥有 LangSmith 访问权限以及任何所需的模型或搜索凭据。如果缺少某个必需的 API 密钥，请让他们在 shell 或 .env 文件中设置它，然后等待。不要臆造、硬编码或提交机密。

步骤 4：搭建、配置、测试和部署

按顺序遵循快速开始的步骤：用 mda 初始化项目，配置模型和指令，按页面所示添加搜索，在 LangSmith Studio 中测试，并用 mda CLI 部署。当某个仪表板操作或凭据只能由用户在 LangSmith UI 中完成时，请停下并询问。

规则

• 保持在快速开始的范围内。除非指南要求，不要添加无关的产品或重写生成的项目布局。
• 优先使用 mda CLI 和 managed-deep-agents skill，而不是臆造一条自定义部署路径。
• 当某个机密、方案层级限制或仅限 UI 的步骤不清楚时，询问而非猜测。

创建并部署一个 agent

Set up the project

创建一个项目并打开其目录：

uvx --from managed-deepagents mda init research-assistant
cd research-assistant

现在你已经有了你 agent 所需的全部脚手架。

Add your keys

将你的模型提供商 API 密钥添加到 .env：

OPENAI_API_KEY=<OPENAI_API_KEY>
# ANTHROPIC_API_KEY=<ANTHROPIC_API_KEY>
# GOOGLE_API_KEY=<GOOGLE_API_KEY>

本快速开始默认使用 OpenAI。如果你在下一步选择 Google 或 Anthropic，请改为设置该提供商的 API 密钥。mda deploy 会将提供商密钥添加到部署。你也可以使用任何其他聊天提供商。

WARNING

不要将 .env 文件提交到版本控制。它包含机密。

Set up LangSmith

Managed Deep Agents 在 LangSmith 上运行。你的 LangSmith API 密钥会为 mda dev 的本地开发进行身份验证、用 mda deploy 部署 agent，并在 LangSmith Studio 中打开 agent，以便你与它聊天并检查追踪。

如果你还没有账户，请注册 LangSmith。

要创建一个 LangSmith API 密钥，请打开 设置，前往 API Keys，并点击 Create API Key。更多详情参阅创建账户和 API 密钥。

将你的 LangSmith API 密钥添加到 .env：

LANGSMITH_API_KEY=<LANGSMITH_API_KEY>

Edit the instructions

打开 instructions.md 并描述 agent 应如何表现：

# Research assistant

You are a careful research assistant. Use internet search to find sources,
keep notes, and return concise answers with citations.

当你部署时，Managed Deep Agents 会将这些指令同步到 LangSmith Context Hub，在那里你可以在不重新部署 agent 的情况下更新它们。

Configure your model and search

现在设置一个模型和一个内置的 web 搜索工具。Google、OpenAI 和 Anthropic 都提供服务器端搜索，无需额外包或 API 密钥。传入与你模型匹配的提供商工具 dict：

打开 agent.py：

OpenAI

from managed_deepagents import define_deep_agent

# OpenAI's built-in web search — no extra install or API key needed
agent = define_deep_agent(
    name="research-assistant",
    model="openai:gpt-5.5",
    tools=[{"type": "web_search"}],
)

Google

from managed_deepagents import define_deep_agent

# Google's built-in search — no extra install or API key needed
agent = define_deep_agent(
    name="research-assistant",
    model="google_genai:gemini-3.6-flash",
    tools=[{"google_search": {}}],
)

Anthropic

from managed_deepagents import define_deep_agent

# Anthropic's built-in web search — no extra install or API key needed
agent = define_deep_agent(
    name="research-assistant",
    model="anthropic:claude-sonnet-4-6",
    tools=[{"type": "web_search_20260209", "name": "web_search"}],
)

agent 名称也是默认的部署名称。有关模型概念和提供商选项，参阅模型。

使用其他提供商？

你可以改用 Tavily 搜索工具。 将一个 Tavily API 密钥添加到 .env：

TAVILY_API_KEY=<TAVILY_API_KEY>

安装 Tavily 客户端：

uv add tavily-python

创建一个自定义的 internet_search 工具：

import os
from typing import Literal

from langchain.tools import tool
from tavily import TavilyClient

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])

@tool
def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
) -> dict:
    """Search the internet for relevant sources."""
    return tavily_client.search(
        query,
        max_results=max_results,
        topic=topic,
    )

导入该工具并将其添加到 agent：

from managed_deepagents import define_deep_agent

from tools.search import internet_search

agent = define_deep_agent(
    name="research-assistant",
    model="openai:gpt-5.5",
    tools=[internet_search],
)

有关更多自编工具，参阅自定义工具。

Run locally

安装项目依赖并启动 agent：

uv sync
uv run mda dev

mda dev 从 .env 加载 API 密钥，启动一个本地 Agent Server，并在 LangSmith Studio 中打开 agent。

在 Studio 中，发送：

What were the main announcements from the latest LangChain release?

你应该会看到 agent 调用 web 搜索工具，然后返回一个引用来源的简洁答案。如果搜索从不出现在追踪中，请确认提供商工具 dict 与你在 agent.py 或 agent.ts 中设置的模型相匹配。

更多信息请参阅使用 LangSmith Studio 进行本地开发。

Deploy the agent

通过运行以下命令部署项目：

uv run mda deploy

Managed Deep Agents 会将项目打包，并作为托管部署运行在 LangSmith Agent Server 上。当部署完成时，CLI 会打印部署仪表板 URL。

打开那个 URL。你应该会看到部署处于就绪状态。从上一发送出同样的研究问题，并确认托管的 agent 返回一个带搜索工具调用的答案。有关部署选项和机密处理，参阅部署 Managed Deep Agent。要在 agent 运行后检查其执行，使用 LangSmith 可观测性。

后续步骤

▤Tutorial

添加一个自定义 Tavily 搜索工具、持久记忆和一个每日计划。

•Custom tools

从你的项目添加自编的 LangChain 工具。

⚿Connections

与外部服务进行身份验证，作为 agent 或作为调用者。

---