Managed Deep Agents explicado em 2 minutos
Autoria: LangChain · Assistir no YouTube
Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.
Idioma original: inglês
Vídeo original: Managed Deep Agents explained in 2 minutes · Canal: LangChain · 02:10 · Assistir no YouTube
Tópicos: Agentes de IA
Managed Deep Agents facilita levar um Deep Agent existente à produção com um único comando da CLI. A solução combina a lógica de negócio do agente, o harness e a infraestrutura necessária para executá-lo e mantê-lo. LangSmith, Context Hub e recursos integrados cuidam de execução, rastreamento, evals, memória, sandboxes e conexões. LangSmith Engine monitora traces de produção, identifica falhas recorrentes e propõe correções, criando um ciclo de melhoria contínua.
Pontos-chave
Seção intitulada “Pontos-chave”- Harnesses como Deep Agents oferecem abstrações para tools, skills e memória.
- Managed Deep Agents permite deploy de um Deep Agent existente com um comando da CLI.
- LangSmith reúne runtime escalável, tracing e evals em um só lugar.
- Um agent é dividido em lógica de negócio, harness e infraestrutura.
- A infraestrutura gerenciada inclui execução durável, streaming, sandboxes, schedules, conectores MCP e autenticação.
- Os agentes podem ser disponibilizados como Slack bot ou web app.
- LangSmith Engine monitora traces, agrupa falhas recorrentes, diagnostica causas e prepara correções.
- A solução incorpora práticas recomendadas para evitar recriar a mesma infraestrutura de produção para cada agente.
Capítulos
Seção intitulada “Capítulos”| Início | Capítulo | Resumo |
|---|---|---|
| 00:00 | Por que gerenciar agentes em produção é difícil | Harnesses facilitam a criação de agentes, mas escalar em produção traz desafios como sandboxes, permissões e coordenação multi-agent. |
| 00:32 | As três camadas de um agent | O vídeo apresenta a lógica de negócio, o harness e a infraestrutura como as três camadas de um agent. |
| 01:05 | Infraestrutura gerenciada para deploy | Managed Deep Agents reúne recursos de execução, memória, sandboxes, schedules, conectores MCP e opções para disponibilizar o agente. |
| 01:37 | Um ciclo de melhoria contínua | LangSmith Engine analisa falhas em produção e prepara correções, enquanto o deploy simplifica a publicação do agente. |
Citações
Seção intitulada “Citações”Você pode se concentrar na lógica específica do seu agent. — 00:00
Seu agent fica pronto para produção assim que você faz o deploy aqui. — 00:32
Com mais um clique, você tem um ciclo de autoaprendizagem para o agent implantado. — 01:37
Defina seu agent com alguns arquivos, execute um comando de deploy e ele estará no ar. — 01:37
Conceitos e entidades
Seção intitulada “Conceitos e entidades”- Managed Deep Agents (ferramenta): Solução apresentada para fazer deploy e operar Deep Agents em produção com infraestrutura gerenciada.
- Deep Agents (repo): Harness open source mencionado como base para criar agentes com abstrações como tools, skills e memória.
- LangSmith (ferramenta): Plataforma que oferece runtime escalável, tracing e evals para desenvolver e operar agentes.
- Context Hub (ferramenta): Componente onde ficam as instruções, skills e memória dos agentes.
- LangSmith Engine (ferramenta): Agent automatizado que monitora traces de produção, identifica falhas recorrentes e sugere correções.
- LangChain (empresa): Empresa responsável pelo vídeo e pelos produtos LangSmith apresentados.
Tradução completa (pt-BR)
Seção intitulada “Tradução completa (pt-BR)”00:00 Harnesses modernos para agents, como Deep Agents, facilitaram a criação de agents ao fornecer as abstrações fundamentais para coisas como tools, skills e memória, permitindo que você se concentre na lógica específica do seu agent. Agora, embora os harnesses para agents tenham facilitado a criação, escalar em produção ainda é difícil. Por exemplo: execução de código em sandbox, permissões e gerenciamento de estado, coordenação entre vários agents, loops de autoaperfeiçoamento e escolha de modelos entre threads ou dentro delas. Com Managed Deep Agents, você pode fazer o deploy de um Deep Agent existente com um único comando da CLI. Basta enviar um agent para
00:32 o LangSmith, que também inclui um runtime escalável com tracing e evals, e você pode lançar e aprimorar seu agent em um só lugar. Em essência, seu agent está pronto para produção assim que você faz o deploy aqui. Todo agent se divide em três camadas. A primeira é a lógica de negócios, mostrada aqui em verde. São seus prompts, tools e skills, a parte que só você pode escrever. Em seguida, vem o harness, mostrado aqui em azul. Esse é o loop que executa sua lógica de negócios com um modelo, além do sistema de arquivos e da delegação a subagents que fazem o loop funcionar. Esse é o nosso Deep Agents open source. E, por fim, aqui está a infraestrutura,
01:05 que é tudo o que é necessário para realmente disponibilizar isso a usuários reais. Managed Deep Agents cuida de todos os desafios associados ao deploy de agents em produção. A execução durável e o streaming vêm dos LangSmith deployments. As instruções, skills e a memória ficam no Context Hub. Sandboxes, agendamentos, conectores MCP e autenticação já vêm configurados por padrão, e você pode lançá-lo como um bot do Slack com a mesma facilidade que como um aplicativo web. Depois que você lança seu agent, precisa de uma forma de. E é aqui que o LangSmith Engine entra em ação: nosso agent automatizado monitora traces de produção, agrupa falhas recorrentes
01:37 em issues priorizadas, diagnostica as causas raiz e elabora correções de código ou de prompt. Com mais um clique, você tem um loop de autoaprendizagem para o agent que colocou em produção. Incorporamos ao MDA as melhores práticas que cuidam de todo o código boilerplate que vemos as pessoas configurarem para cada agent, para que você pare de reconstruir a mesma stack de produção todas as vezes. Defina seu agent em alguns arquivos, execute um único comando de deploy e ele estará no ar. Se tiver interesse em saber mais sobre como criar e fazer o deploy de agents, confira nossos recursos.
02:10 >> [música]
Transcrição original
[00:00] Modern agent harnesses like Deep Agents have made it easier to build agents by providing the core abstractions for things like tools, skills, and memory, so you can focus on logic that’s specific to your agent. Now, although agent harnesses have made building easier, scaling in production is still hard. For example, sandbox code execution, permissions and state management, multi-agent coordination, self-improving loops, and model choice across or within threads. With managed Deep Agents, you can deploy an existing Deep Agent with a single CLI command. You just push an agent onto
[00:32] LangSmith, which also bundles in a scalable runtime with tracing and evals, and you can ship and improve your agent from one place. Essentially, your agent is production ready once you deploy here. So, every agent breaks into three layers. First is the business logic, shown here in green. These are your prompts, tools, and skills, the part that only you can write. Then comes the harness, shown here in blue. This is the loop that runs your business logic against a model, plus the file system and sub-agent delegation that make the loop work. That’s our open-source Deep Agents. And finally, here’s the infrastructure,
[01:05] which is everything needed to actually serve this to real users. Managed Deep Agents handles all of the challenges associated with deploying agents to production. Durable execution and streaming come from LangSmith deployments. Instructions, skills, and memory live in Context Hub. Sandboxes, schedules, MCP connectors, and auth are wired in by default, and you can ship it as a Slack bot as easily as a web app. Once you ship your agent, you need a way to And this is where LangSmith Engine steps in, our automated agent that monitors production traces, clusters recurring
[01:37] failures into prioritized issues, diagnoses root causes, and drafts code or prompt fixes. With one more click of a button, you have a self-learning loop for your deployed agent. We’ve baked best practices into MDA that handle all the boilerplate we see people stand up for every agent, so you can stop rebuilding the same production stack every time. Define your agent as a few files, run one deploy command, and it’s live. If you’re interested in learning more about building and deploying agents, check out our resources.
[02:10] >> [music]