A LangChain ütemezhető és Slackre reagáló Deep Agenteket mutatott be
A LangChain kiadta a Managed Deep Agents v0.9 verzióját, amelyben az ügynökök beszélgetés közben emlékeztetőket és ismétlődő feladatokat hozhatnak létre. Az új változat futásonkénti konfigurációt és Slack-reakciókat is kínál.
- A Managed Deep Agents v0.9 ütemezhető emlékeztetőket és ismétlődő feladatokat kínál.
- Az ügynök futásonként választhat modellt, készségeket és eszközöket.
- A konfiguráció a futás előtt készül el, így a nem engedélyezett eszközök nem jelennek meg az ügynök számára.
- A Slack-ügynökök reakcióval jelezhetik az üzenetek átvételét.
- A kiadás Public Beta változatban érhető el.
Az ügynökök maguk is létrehozhatnak ütemezéseket
A LangChain október 7-i bejelentése szerint az új Schedules SDK-val az ügynökök egy beszélgetés közben hozhatnak létre emlékeztetőket, későbbi ellenőrzéseket és ismétlődő feladatokat. Így egy olyan kérés is kezelhető, mint a „Emlékeztess erre holnap”.
Az ütemezést maga az ügynök készíti el, a feladat pedig annak a személynek a jogosultságaival és kapcsolataival fut le, aki a kérést megfogalmazta. Az eredmény ugyanabba a csatornába érkezik vissza, ahol a kérés elhangzott.
Az ütemezések egy csatornához kötődnek. Ha például valaki Slackben kér hétköznapokra szóló emlékeztetőt, a rendszer minden futáskor új üzenetet tesz közzé az adott beszélgetésben. Az egyszeri feladatok az eredeti szálba válaszolnak, ami a LangChain szerint olyan kérésekhez lehet megfelelő, mint egy telepítés ellenőrzése egy órával később.
Egy telepítés több csapatot is kiszolgálhat
A v0.9 egyik fontos újdonsága, hogy az ügynök futásonként eltérően konfigurálható. A futás kezdetén kapott környezet alapján kiválasztható a modell, az utasításkészlet, a készségek, az MCP-szerverek és a homokozó.
Így ugyanaz a telepítés különböző csapatok vagy projektek igényeihez igazítható. A LangChain példája szerint egy belső Slack-ügynök a csatorna alapján tölthet be számlázási készségeket a pénzügyi csapat számára, vagy incidenskezelési MCP-szervert a platformcsapatnak.
A konfiguráció még a modell futása előtt létrejön. Ennek köszönhetően az ügynök nem lát olyan készségeket és eszközöket, amelyek nincsenek az adott futáshoz engedélyezve. A cég szerint ez kisebb kontextust és hozzáférés-ellenőrzést tesz lehetővé, valamint elkerülheti, hogy a modellnek kelljen eldöntenie, melyik eszközkészletet használja.
A megoldás kódoló ügynököknél is alkalmazható. A LangChain példájában ugyanaz a telepítés a repository alapján választja ki a konfigurációt: a payments-service projekthez a openai:gpt-5, a storefront projekthez pedig a openai:gpt-5-mini modell tartozik.
Slackben reakció jelzi, hogy az ügynök dolgozik
A Managed Deep Agents v0.9 Slack-integrációja reakcióval jelzi a feladónak, hogy az ügynök átvette az üzenetet. Ez akkor is visszajelzést ad, amikor az ügynök még gondolkodik vagy eszközöket hív, és még nem küldte el a válaszát.
A reakció alapértelmezés szerint a 👀 emoji. A Slack-csatorna új beállításával ez kikapcsolható, másik emoji választható, vagy üzenetenként eltérő reakció is megadható. A LangChain példája szerint a broken szót tartalmazó üzenetekre 🐛, más esetekben pedig 👀 jelenhet meg.
A reakció kiválasztása egy olyan függvényhez is köthető, amely modellt használ a pontosabb emoji kiválasztására. A közlemény szerint ehhez egy gyors és olcsó döntési modell, például Jev is használható.
Public Beta változatban érhető el
A Managed Deep Agents v0.9 a LangChain közlése szerint jelenleg Public Beta változatban érhető el. A fejlesztők a Managed Deep Agents dokumentációjában tájékozódhatnak, vagy az mda init, majd az mda deploy parancsokkal indíthatnak új ügynököt.
A korábbi, v0.8-as kiadás felhasználónkénti memóriát, egyedi HTTP-csatornákat és a Parallel által biztosított beépített webes keresést hozott. A v0.9 ezekre építve az ütemezett munkát, a futásonként változó konfigurációt és az azonnali Slack-visszajelzést helyezi a középpontba.
LangChain: What's New in Managed Deep Agents: schedules, per-run configuration, and Slack reactions
