LangChain abre la beta pública de Managed Deep Agents: agentes profundos en producción con un comando
LangChain ha anunciado la disponibilidad de Managed Deep Agents en beta pública a través de LangSmith Cloud, según la actualización de su anuncio oficial del 2 de noviembre de 2026.
La propuesta permite crear agentes de inteligencia artificial a partir de una carpeta de proyecto, definir sus instrucciones y herramientas, seleccionar un modelo y desplegarlos mediante un comando. LangSmith se encarga de ejecutar tanto el harness de Deep Agents como el entorno de producción. Así, los desarrolladores pueden concentrarse en el comportamiento del agente sin tener que configurar infraestructura ni operar servidores.
La plataforma reúne capacidades como memoria persistente, ejecución programada, integraciones con servicios externos, navegación web, subagentes y mecanismos de aprobación humana.
De la beta privada a la disponibilidad pública
Managed Deep Agents se presentó originalmente el 13 de mayo de 2026, cuando LangChain abrió una beta privada. La actualización del 2 de noviembre marca su llegada a beta pública en LangSmith Cloud.
La tecnología parte del harness de código abierto Deep Agents, que proporciona un bucle de ejecución para agentes capaces de trabajar con sistemas de archivos, utilizar herramientas, delegar tareas en subagentes y cargar habilidades especializadas.
La diferencia está en la forma de construir y ejecutar esos agentes. Con create_deep_agent, el desarrollador compila el agente y se responsabiliza de gestionar el backend. En cambio, define_deep_agent genera una definición que el runtime gestionado de LangSmith compila y ejecuta.
Un agente de IA definido como una carpeta de archivos
Managed Deep Agents utiliza una estructura de proyecto en la que cada archivo o carpeta representa una parte del comportamiento del agente. El único archivo obligatorio es agent.py, encargado de definir el agente mediante define_deep_agent.
El ejemplo del inicio rápido utiliza estos parámetros:
- Nombre: name="research-assistant"
- Modelo: model="openai:gpt-5.5"
- Herramientas: tools=[{"type": "web_search"}]
El archivo instructions.md contiene el prompt del sistema. Por su parte, cada carpeta incluida en skills/ funciona como un manual especializado que el agente carga cuando una tarea necesita ese conocimiento. Las herramientas personalizadas se implementan como funciones Python dentro de tools/. Además, tools/mcp.py permite incorporar herramientas disponibles en servidores MCP remotos.
Comandos para crear, desarrollar y desplegar un agente
El inicio rápido de Managed Deep Agents utiliza una secuencia de comandos para generar el proyecto, preparar sus dependencias, ejecutarlo localmente y desplegarlo.
Para crear el proyecto research-assistant:
uvx --from managed-deepagents mda init research-assistant
Después, se accede al directorio y se sincronizan las dependencias:
cd research-assistant
uv sync
Durante el desarrollo, el agente puede ejecutarse con:
uv run mda dev
Este comando inicia un Agent Server local y abre el agente en LangSmith Studio, donde es posible conversar con él e inspeccionar las trazas de ejecución. Cuando el proyecto está preparado para desplegarse, se utiliza:
uv run mda deploy
El comando envía el proyecto a LangSmith y añade al despliegue la clave del proveedor del modelo.
Memoria, tareas programadas y canales de comunicación
Además de las instrucciones y herramientas principales, Managed Deep Agents permite configurar otras capacidades mediante archivos y carpetas.
Memoria entre conversaciones
El archivo memory.py habilita memoria entre distintos hilos de conversación. La memoria puede utilizar una capa compartida o mantenerse privada para cada usuario, según la configuración del agente.
Ejecuciones programadas
La carpeta schedules/ permite declarar tareas automáticas. Por ejemplo, schedules/daily_digest.py puede incluir una programación mediante define_schedule con estos valores:
- cron="0 8 * * 1-5"
- timezone="America/Los_Angeles"
- prompt="Write the daily digest."
Esta configuración describe una tarea para generar un resumen diario a las 8:00, de lunes a viernes, en la zona horaria indicada.
Canales externos y Slack
Los canales se configuran dentro de channels/, con archivos como channels/slack.py. La integración permite que el agente reciba solicitudes desde servicios externos. Cualquier servicio compatible con webhooks puede iniciar ejecuciones mediante HTTP. LangChain presenta como ejemplo un agente de soporte capaz de responder solicitudes en un canal de Slack y revisar tickets antiguos cada noche.
Sandboxes, conexiones y subagentes
La carpeta sandbox/ permite configurar un entorno aislado con sistema de archivos y shell. Por otra parte, identity.py define aspectos relacionados con la identidad y las conexiones. El sistema Connections se encarga de almacenar claves API y gestionar procesos de autenticación OAuth. Los subagentes se declaran directamente en la definición del agente, lo que permite incorporar delegación de tareas dentro de su funcionamiento.
La plataforma también contempla evaluaciones. El comando mda evals init -i crea un espacio de trabajo Harbor dentro de evals/, destinado a las evaluaciones del proyecto.
Búsqueda web y navegación sin archivos adicionales
Algunas funcionalidades están integradas en Managed Deep Agents y pueden utilizarse sin añadir archivos específicos para declararlas. Una de ellas es la búsqueda web mediante Parallel, incluida sin necesidad de disponer de una cuenta o clave independiente para ese servicio. Otra es la capacidad de trabajar en un navegador. Cuando una página requiere que el usuario inicie sesión, el agente puede cederle el control para completar esa interacción. También existe la posibilidad de detener una ejecución para solicitar autorización humana antes de continuar. Esta función se configura mediante interrupt_on.
API de Agent Server y acceso mediante MCP
Cada despliegue expone la API de Agent Server, además de un endpoint MCP disponible en la ruta /mcp. Esto permite que otros clientes compatibles con MCP utilicen el agente desplegado como una herramienta. Entre los ejemplos mencionados por LangChain está Claude Code, que puede llamar al agente mediante ese endpoint.
Instrucciones editables y análisis de ejecuciones
En cada despliegue, las instrucciones y las skills del proyecto se sincronizan con LangSmith Context Hub. Después de esa sincronización, estos contenidos pueden modificarse directamente desde Context Hub, sin necesidad de volver a desplegar el agente. Las ejecuciones también generan trazas en LangSmith, que permiten examinar el comportamiento del sistema. A partir de esas trazas, LangSmith Engine puede proponer correcciones para mejorar el funcionamiento del agente.
Los agentes de LangChain ya utilizan Managed Deep Agents
LangChain señala que varios de sus propios proyectos funcionan sobre Managed Deep Agents: GTM Agent, Open SWE y Content Studio. Según LangChain, la migración de Content Studio permitió reducir su código aproximadamente un 80 %.
Casos de uso de la beta pública
LangChain identifica aplicaciones como el triaje de incidentes, los flujos de trabajo de ingeniería y los asistentes internos conectados a Slack. La plataforma también está diseñada para incorporar agentes dentro de productos, mantener agentes asociados a proyectos de larga duración y ejecutar trabajos programados.
Managed Deep Agents en contexto
Managed Deep Agents se construye sobre Deep Agents, el harness de código abierto de LangChain que integra herramientas de sistema de archivos, subagentes y skills. La modalidad gestionada conserva esa base y traslada la compilación y ejecución del agente al runtime de LangSmith.
