LangChain: Managed Deep Agents v0.9 bringt Zeitpläne und Konfiguration pro Durchlauf

Agenten, die ihre Arbeit selbst terminieren

Mit dem neuen Schedules SDK können Agenten mitten in einer Unterhaltung Erinnerungen, Folgeaufgaben und wiederkehrende Aufgaben anlegen. Als Beispiel nennt LangChain die Bitte „Erinnere mich morgen daran“, die der Agent jetzt selbst erledigen kann. Der Agent erstellt den Zeitplan eigenständig, und er läuft im Namen der Person, die darum gebeten hat, mit deren Berechtigungen und Verbindungen. Die Ergebnisse landen im selben Kanal.

Das Unternehmen empfiehlt, die Funktion hinter einem Tool bereitzustellen, sodass Nutzerinnen und Nutzer Zeitpläne einfach per Chat anlegen, auflisten, ändern und löschen können. Im Beispiel von LangChain übergibt der Agent einen Prompt und einen Cron-Ausdruck, und bei jedem Auslösen des Crons startet LangSmith einen neuen Lauf mit diesem Prompt.

Zeitpläne übernehmen den Kanal, in dem sie erstellt wurden. Eine in Slack angeforderte Erinnerung an Werktagen postet bei jedem Lauf eine neue Nachricht in dieser Unterhaltung. Einmalige Zeitpläne, die statt cron den Parameter at nutzen, antworten im ursprünglichen Thread. LangChain zufolge eignet sich das für Folgeaufgaben wie „Prüf in einer Stunde, wie es mit diesem Deploy läuft“.

Ein Deployment, konfiguriert pro Lauf

Agenten lassen sich nun für jeden Lauf dynamisch konfigurieren. Entwickler richten den Agenten als aufrufbare Funktion ein, die zu Beginn eines Laufs die Laufzeitumgebung erhält und eine define_deep_agent-Definition zurückgibt. Diese Definition legt Modell, Anweisungen, Skills, MCP-Server und Sandbox für den jeweiligen Lauf fest.

Laut LangChain entfällt dadurch die Pflege nahezu identischer Kopien desselben Agenten für jedes Team oder Repo. Ein einziges Deployment lässt sich anhand des Kontexts anpassen, etwa nach dem Kanal oder dem Nutzer, von dem die Anfrage stammt. Das Unternehmen beschreibt einen internen Slack-Agenten, der mehrere Teams bedient: Die Funktion prüft, aus welchem Kanal ein Lauf kam, und lädt für die Finanzabteilung Abrechnungs-Skills oder für das Plattformteam einen MCP-Server für die Incident Response.

Das unterscheide sich davon, dem Modell in den Anweisungen mitzuteilen, wann es einen Skill nutzen soll, argumentiert LangChain. Die Konfiguration steht fest, bevor das Modell läuft, sodass der Agent Skills oder MCP-Tools außerhalb seiner Konfiguration nie zu sehen bekommt. Das halte den Kontext klein, wirke als Zugriffskontrolle und erlaube es Entwicklern, das Modell selbst auszuwählen, was das Modell nicht kann. Zudem verhindere es nicht deterministische Ausgaben, wenn der genaue Satz an Tools bereits feststeht.

Ein zweites Beispiel behandelt einen Coding-Agenten, der pro Repository andere Skills und ein günstigeres oder leistungsfähigeres Modell lädt. Im Beispielcode wird ein Repository auf openai:gpt-5 und ein anderes auf openai:gpt-5-mini abgebildet. Aufrufer wählen die Konfiguration, indem sie dem Lauf einen Kontext mitgeben, zum Beispiel einen Repository-Namen. Gibt es keinen Kontext, etwa bei Kanalläufen oder wenn der Agent Server den Agenten lädt, um sein Schema zu lesen, greift die Funktion auf einen Standardwert zurück.

Slack-Reaktionen und Verfügbarkeit

• Bestätigung: Reaktionen zeigen dem Absender sofort, dass der Agent die Nachricht aufgegriffen hat, auch wenn er vor der Antwort erst Zeit mit Überlegen und Tool-Aufrufen verbringt.
• Standardwerte: Reaktionen sind standardmäßig mit dem Emoji 👀 aktiviert. Über die neue Option „reactions“ an einem Slack-Kanal lassen sie sich abschalten, durch ein anderes Emoji ersetzen oder pro Nachricht festlegen.
• Eigene Logik: Im Beispiel von LangChain gibt eine Funktion 🐛 zurück, wenn eine Nachricht etwas Defektes erwähnt, andernfalls 👀. Eine Funktion kann auch ein Modell aufrufen, um ein passenderes Emoji zu wählen. Als schnelle und günstige Option nennt das Unternehmen ein Entscheidungsmodell namens Jev.

Managed Deep Agents v0.9 ist ab sofort als Public Beta verfügbar. Entwickler können mit den Befehlen mda init und mda deploy starten und weitere Details in der Dokumentation zu Managed Deep Agents nachlesen. Die Vorgängerversion v0.8 brachte Speicher pro Nutzer, benutzerdefinierte HTTP-Kanäle, über die sich Läufe aus jedem Dienst auslösen lassen, sowie eine integrierte Websuche auf Basis von Parallel.

Was das für Teams mit internen Agenten bedeutet

Laut LangChain erleichtern die Neuerungen den Bau interner Agenten, die in Slack oder in den eigenen Kanälen eines Teams leben und eher wie Teammitglieder arbeiten. Selbst angelegte Zeitpläne erlauben solchen Agenten, nachzufassen, ohne dass ihn jemand erneut anstoßen muss. Die Konfiguration pro Lauf lässt ein Deployment verschiedene Teams oder Repositories bedienen, ohne dass Agenten doppelt gepflegt werden. Reaktionen geben Nutzern schnelles Feedback, dass ihre Anfrage angekommen ist.