LangChain 发布 Managed Deep Agents v0.9，支持定时任务、按次配置与 Slack 表情回应

今天我们发布 Managed Deep Agents v0.9，新增了一些能力，让智能体可以安排自己的后续跟进、在每次运行时重新配置自身，并对 Slack 消息做出反应。

这些更新让你更容易构建驻留在 Slack 或你自己的渠道中、工作方式更像队友的内部智能体。

让智能体安排自己的工作

新的 Schedules SDK 让智能体可以在对话中途创建提醒、后续跟进和周期性任务，从而能够处理诸如“明天提醒我这件事”这样的请求。

智能体在对话过程中自行创建计划，计划以提出请求的人的身份、使用其权限和连接来运行，结果会返回到同一个渠道。

在一次运行中创建计划：

await schedules.create(owner={"type": "user"}, cron="0 9 * * 1-5", timezone="America/Los_Angeles", prompt="Write the daily digest.")

它最适合放在工具背后，这样你的智能体用户只需聊天就能创建、列出、更新和删除计划。下面是一个提醒工具：

from langchain.tools import tool
from managed_deepagents import schedules

@tool
async def remind_me(prompt: str, cron: str, timezone: str = "UTC") -> str:
    """Run a prompt for the current user on a cron schedule."""
    item = await schedules.create(
        owner={"type": "user"},
        cron=cron,
        timezone=timezone,
        prompt=prompt,
    )
    return f"Created schedule {item['id']}."

智能体传入一个提示词和一个 cron 表达式，每次 cron 触发时，LangSmith 都会用该提示词启动一次新的运行。计划会继承其创建时所在的渠道，因此结果会发布回请求来源处：在 Slack 中请求的工作日提醒会在每次运行时向该对话发布一条新消息。一次性计划（使用 at 而非 cron）会在原线程中回复，这适合“一小时后检查这次部署”之类的后续跟进。

按运行配置智能体

智能体现在可以按每次运行动态配置。将智能体设置为一个可调用函数：它在每次运行开始时接收 runtime，并返回一个 define_deep_agent 定义，为该次运行选择模型、指令、技能、MCP 服务器和沙箱。

不必为每个团队或代码仓库维护一个几乎相同的智能体副本，你只需运行一个部署。这使你的部署能够更灵活地运作，单个智能体部署可以根据上下文（例如发起请求的渠道或用户）为不同团队或用例进行定制。

假设一个内部 Slack 智能体服务于多个团队。你的智能体函数可以检查一次运行来自哪个渠道，并为财务加载计费技能，或为平台团队加载事件响应 MCP 服务器。这与用指令告诉模型何时使用某项技能不同：配置在模型运行之前就已设定，因此智能体永远不会看到其配置之外的技能或 MCP 工具。这使其上下文保持精简，同时兼作访问控制，并让你能够选择模型本身，而这是模型自己做不到的。

总的来说，在我们明确知道智能体应该可以使用哪一组工具的情况下，它可以防止模型被赋予选择工具包的任务时产生非确定性输出。

同样的思路也适用于一个编码智能体，它为每个代码仓库加载不同的技能以及更便宜或更强大的模型：

# agent.py: one coding agent, configured per repo at the start of each run
from dataclasses import dataclass

from managed_deepagents import ManagedServerRuntime, define_deep_agent

REPOS = {
    "payments-service": {
        "model": "openai:gpt-5",
        "instructions": "Python service. Run pytest before opening a PR.",
        "skills": ["./skills/python-service"],
    },
    "storefront": {
        "model": "openai:gpt-5-mini",
        "instructions": "Next.js app. Run web tests and an a11y check before opening a PR.",
        "skills": ["./skills/typescript-web"],
    },
}


@dataclass
class AppContext:
    repository: str = ""


def agent(runtime: ManagedServerRuntime[AppContext]):
    execution = runtime.execution_runtime
    context = execution.context if execution is not None else None
    repo = context.repository if context is not None else None
    config = REPOS.get(repo, REPOS["storefront"])
    return define_deep_agent(name="open-swe", context_schema=AppContext, **config)

‍‍


该函数读取 runtime.execution_runtime.context，在没有时回退到默认值，例如在渠道运行时，或当 Agent Server 加载智能体以读取其 schema 时。调用方通过运行的 context 来选择配置：

# Same deployment, different repo: just change the run context
await client.runs.create(
    thread_id,
    "open-swe",
    input={"messages": [{"role": "user", "content": "Fix the flaky refund test."}]},
    context={"repository": "payments-service"},
)

对 Slack 消息做出反应

Slack 表情回应能让发送者立即看到智能体已收到他们的消息，即便智能体在回复前需要花一段时间进行推理和调用工具。表情回应默认开启（👀），你的 Slack 渠道上新增的 reactions 选项让你可以将其关闭、选择其他 emoji，或为每条消息分别选择。下面这个示例在消息提到某处损坏时使用 🐛，否则使用 👀：

from managed_deepagents import channels

async def choose_emoji(context: dict) -> str:
    return "bug" if "broken" in context["text"].lower() else "eyes"

channel = channels.slack(name="Support Bot", reactions=choose_emoji)

响应可以很简单。不过，你可以用一个函数来配置你的响应回复，该函数会调用模型来挑选更精确的 emoji。像 Jev 这样的决策模型可以保持快速且低成本；Slack 频道文档中有一个完整的示例。

快速上手

Managed Deep Agents v0.9 现已进入公开测试阶段。你可以在Managed Deep Agents 文档中了解更多，或通过以下方式开始：

uvx --from managed-deepagents mda init my-agent
cd my-agent
uv run mda deploy

‍如果你错过了：v0.8 新增了按用户记忆、可从任何服务触发运行的自定义 HTTP 频道、由 Parallel 提供支持的内置网页搜索等。阅读 v0.8 文章。

‍