Вы уже собираете агентов в Make или ставите задачи в Cursor — и в ленте всплывает анонс LangChain: «production-агента одной командой». Звучит как замена сценария на холсте. Или как очередной облачный сервис «для программистов». Непонятно, нужен ли Docker, что такое Harbor, можно ли подключиться из РФ и не окажется ли LangSmith дороже credits Make плюс API моделей.
Короткий ответ: Managed Deep Agents (MDA) — не визуальный конструктор, а hosted runtime для агентов с кодом в репозитории. Вы пишете агента на Python или TypeScript, локально крутите через CLI mda, в прод выводите командой mda deploy. LangSmith берёт на себя durable execution, sandbox, память, каналы вроде Slack, traces и упаковку под Harbor evals. Модель, инструкции, tools и бизнес-логику оставляете у себя.
LangChain открыл MDA в public beta на этой неделе — свежий сигнал, не «ещё один абстрактный AI-хайп». Для владельца SMB без штатного Python-разработчика MDA скорее ориентир, как выглядит взрослый production-агент, чем инструмент «завтра заменит Make». Ниже — три проверки, по которым можно решить: вам нужен hosted harness или хватит no-code сценария и IDE.
Что именно запустили — и чем это не Make
Deep Agents — open-source harness: планирование, tools, subagents, файлы, длинные горизонты задач. Managed Deep Agents — managed production-слой поверх LangGraph runtime на LangSmith.
Структура проекта в репозитории (по официальным docs и blog): agent.py или agent.ts, instructions.md, папки tools/, channels/, sandbox/, evals/, плюс при необходимости memory.py, identity.py, middleware/, schedules/, skills/.
Типичный цикл:
- uv tool install managed-deepagents (Python) или npm install -g managed-deepagents (TypeScript);
- mda init — scaffold проекта;
- mda dev — локальный Agent Server + LangSmith Studio;
- mda deploy . — hosted deployment: компиляция LangGraph app, синк instructions.md и skills/** в Context Hub, архив исходников в .mda/build, поднятие hosted deployment с URL дашборда.
Разделение ответственности (blog LangChain): команда контролирует model, instructions, tools, middleware, subagents; LangSmith — persistence, memory mounts, skill loading, sandbox lifecycle, deployment.
Runtime даёт production primitives: checkpoint каждого шага (durable execution), resume/retry с места сбоя, streaming, human-in-the-loop, durable threads, persistence across restarts. Traces автоматически попадают в LangSmith — tool calls, errors, runtime state; сбои в проде можно превращать в будущие test cases.
Когда MDA не нужен (из того же поста): если нужны custom routes, app code рядом с graph, custom auth или прямой контроль persistence — смотрите LangSmith Deployment напрямую; если хотите сами операировать harness — open-source Deep Agents на своей инфраструктуре.
Ссылки: пост public beta, introducing MDA (обновлён 7.08), overview docs, quickstart, GitHub repo.
Make, Cursor и MDA — три разных слоя
Слушай, одно слово «агент» здесь маскирует три разных инструмента. Путаница — главный источник лишних трат.
Make AI Agent (New) — визуальный модуль Run an agent в сценарии. Tools = modules, scenarios, MCP, sub-agents (один уровень nesting). Sub-agents подключают, когда нужен собственный reasoning + tools; за это идут extra credits (best practices). Тест — chat в Scenario Builder, вкладка Reasoning показывает шаги. Это no-code orchestration CRM, почты, заявок — без durable multi-hour checkpoint runtime, Harbor evals и managed code sandbox как у MDA. Пересечение с темой sub-agents в B04 — то же слово, другой стек.
Cursor Agent — агент в IDE: understand/plan/build/review code в репозитории. Это слой разработки, не hosted production runtime для Slack-бота или support agent. Grok Bot (отдельная тема B06) — cloud PC + UI automation; это тоже не LangChain harness.
Вывод для SMB: MDA — для custom code agents в проде; Cursor — чтобы писать и отлаживать код; Make — для бизнес-сценариев без репозитория.
| Слой | Где живёт | Когда брать |
|---|---|---|
| Make AI Agent | Холст сценария | CRM, почта, заявки без репозитория |
| Cursor Agent | IDE | Пишете и отлаживаете код агента |
| MDA | LangSmith hosted runtime | Code agent в проде с sandbox и evals |
Ссылки: Make AI Agent app, sub-agents в Make, best practices Make, Cursor Agent overview.
Проверка 1: агент трогает код и файлы — нужен sandbox
Если ваш агент не только отвечает текстом, а inspect/write files, запускает code и CLI — без изоляции это риск для production. MDA делает LangSmith Sandboxes first-class частью harness.
Конфиг из blog: define_sandbox(provider=»langsmith», scope=»thread») — по умолчанию отдельный sandbox на durable thread (типичный coding agent). scope=»agent» — один sandbox на все threads. Activity в sandbox traced в LangSmith.
Не путать два факта: LangSmith Sandboxes как продукт уже GA в GCP US/EU/APAC и AWS US (docs sandboxes). Но MDA public beta deployment ограничен US region only — hosted MDA не равен «sandboxes доступны в EU, значит и агент там же». Дополнительные регионы для MDA — «later».
Когда проверка говорит «да, MDA»: агент пишет скрипты, крутит CLI, меняет артефакты в workspace, и вам нужна изоляция per thread или per agent с трассировкой.
Когда «нет»: Make-сценарий дергает готовые модули CRM/почты без произвольного кода в sandbox — другой класс задачи; MDA здесь overkill.
Документация: LangSmith Sandboxes.
Проверка 2: можно ли прогнать Harbor до деплоя
Production-агент — это не только prompt. LangChain упаковывает evals как Harbor evals (не отдельный формат MDA).
Workflow:
- mda evals init <task> — scaffold под evals/scaffold/;
- mda evals compile . — handoff в .mda/evals/, adapter в evals/harbor-adapter/, job config evals/harbor-job.json;
- Harbor runs trials локально (Docker по умолчанию) или в своём Harbor env; MDA только упаковывает agent artifact.
Grading state-based: правильные tools, файлы, artifact, workspace state; verifier пишет reward в /logs/verifier/reward.txt. Папка evals/ не входит в deployed agent build — evals отделены от прода.
Prerequisites: Docker, Harbor on PATH или uv run —with harbor, ключи модели export в shell.
Ловушка, которую легко пропустить: Harbor при прогоне evals не подхватывает .env проекта — даже после mda evals compile переменные нужно вручную export в shell. Иначе локальная проверка «как в проде» даёт ложный PASS или FAIL. Это не баг «настрою потом» — это обязательный шаг devops-контура.
Когда проверка говорит «да»: команда готова к Docker + Harbor + ручному export secrets и хочет state-based проверки поведения до mda deploy.
Когда «нет»: достаточно chat-теста в Scenario Builder Make и Reasoning tab — Harbor overhead не окупается.
Ссылки: MDA evals docs, Harbor framework.
Проверка 3: тянет ли команда dev-стек и US-hosted runtime
MDA — не «скачал и работаешь для всех». Prerequisites из quickstart:
- организация с Managed Deep Agents public beta access (не self-serve без доступа);
- LangSmith API key, CLI mda, uv sync, ключи model provider;
- CLI targets US LangSmith Cloud by default;
- SDK not open source during beta — repo managed-deepagents = landing + issue tracker.
Deploy: .env читается перед shell; non-reserved keys → hosted deployment secrets; reserved (LANGSMITH_API_KEY, LANGGRAPH_HOST_API_KEY и др.) — auth deploy, не uploaded as user secrets. Флаги: —name, —deployment-type prod, —no-wait. При BUILD_FAILED / DEPLOY_FAILED — revision logs в LangSmith.
Дополнительные production primitives, если команда «да» на dev-стек:
- Channels — файлы в channels/; runtime монтирует endpoint, верифицирует подписи провайдера; Slack: channels.slack(on=[«app_mention», «direct_message»], auto_reply=True); inbound POST /channels/<name>/events.
- Memory — agent-scoped, файлы под /memories/; deploy sync instructions/skills, runtime-created memories сохраняются при redeploy.
- Identity — общие учётные данные агента или OIDC → thread scoping per end-user id.
- Schedules — managed cron в schedules/** → LangSmith cron jobs после deploy.
- MCP connectors — remote MCP servers как tools.
Когда проверка говорит «да»: есть Python/uv или Node, человек, который ведёт репозиторий агента, и приемлем US-hosted runtime плюс LangSmith как ops-слой.
Когда «нет»: pure no-code SMB без разработчика — Make остаётся ближе к реальности; MDA показывает планку «взрослого» агента, но не заменяет холст завтра.
Ссылки: deploy docs, channels docs.
Сколько это стоит — без выдуманного TCO
LangSmith Plus — $39/seat/month, 10k base traces/mo, 1 free small serverless deployment included (pricing page, на момент подготовки материала). Deployment metering отдельно от seats: LCU/LSU за compute/memory DB; serverless scale-to-zero для background agents; dedicated — для latency-sensitive customer-facing. Model и tool costs — отдельно у провайдера.
MDA beta access и итоговый bill для конкретного агента не опубликованы как фикс-пакет. Честная формула для SMB: seat LangSmith + deployment metering + tokens моделей — без цифры «столько-то в месяц для малого бизнеса», которой нет в официальных источниках.
Три проверки — резюме
- Агент трогает код и файлы? Нужен sandbox с изоляцией и traces — сильная сторона MDA. Только CRM/почта на холсте — Make.
- Нужен Harbor до деплоя? Docker, export secrets в shell, state-based grading — devops-сложность. Chat-тест в Make проще, но не то же самое.
- Есть dev-команда и US-hosted? Beta access, CLI-first, SDK closed, US-only deploy — барьер для no-code SMB. Cursor для кода, Make для сценариев.
Цитаты из blog LangChain (Fullstory, stealth startup) про lock-in и «idea → production in hours» — marketing social proof, не verified SMB case study. Их можно читать как направление индустрии: identity, sandbox, evals вокруг агента — не только tools + UI.
MDA public beta — сигнал, что «production-агент одной командой» на деле означает sandbox + evals + hosted runtime, а не красивый prompt. Для большинства SMB это чеклист зрелости, а не срочная миграция с Make.
Куда идти дальше
Если хотите прогнать свой стек (Make, Cursor или задумку про code agent) по этим трём проверкам — напишите в Telegram @NeuroAlexD: разберём, где sandbox и Harbor реально нужны, а где хватит сценария на холсте.
Для генерации контента и связки агентов с вашими процессами — NeuroNano.
Если нужна не разовая консультация, а выстроенная automation stack под ваш бизнес — CalmOps AI.