# LangSmith lance Managed Deep Agents pour déployer des agents IA en production

_Publié le 3 novembre 2026 — https://ip73.fr/2026/11/03/langsmith-lance-managed-deep-agents-pour-deployer-des-agents-ia-en/_

Managed Deep Agents (MDA), la nouvelle plateforme hébergée de LangSmith, permet désormais aux développeurs de mettre en production des agents IA complexes en traitant l'agent comme un simple répertoire de fichiers. En substance, on écrit l'agent en Python ou TypeScript, on le teste localement avec `mda dev`, et on le déploie sur l'infrastructure de LangSmith sans avoir à opérer de serveur soi-même.

L'idée centrale, selon l'annonce de github.com, est que l'agent correspond à un dossier. L'emplacement d'un fichier dicte son rôle au sein de l'application LangGraph compilée. MDA prend en charge les aspects lourds de la production : mémoire durable, bacs à sable (*sandboxes*), instructions basées sur le Context Hub, traces et déploiement LangGraph hébergé. MDA est actuellement en bêta publique et fonctionne uniquement sur le Cloud LangSmith américain.

Pour ceux qui se lancent, le processus est guidé, car il est facile de construire quelque chose qui ne peut pas être hébergé. Si l'utilisateur demande simplement « aide-moi à construire un agent », il est conseillé de suivre un flux de questions spécifiques avant de scaffer le projet. Il faut d'abord savoir ce que l'agent doit faire, puis qui ou quoi interagit avec lui (un navigateur, Slack, ou un simple chronomètre).

Cette approche préventive vise à éviter le gaspillage de temps sur des requêtes hors périmètre. Par exemple, si l'agent nécessite des routes HTTP personnalisées ou une hébergement en dehors des États-Unis, MDA redirige vers la solution `langgraph deploy`, indiquant clairement que ce n'est pas la bonne couche d'abstraction pour ce besoin. Le tableau récapitulatif de github.com détaille ensuite les fonctionnalités : si l'agent doit se souvenir de conversations antérieures, on ajoute `memory.py`; s'il doit exécuter du code, on active un `sandbox/`.

## Les briques de construction d'un agent en code

Chaque capacité spécifique est matérialisée par un fichier ou un dossier dans le projet, ce qui rend l'agent intrinsèquement modulaire. Les outils spécifiques sont des fonctions Python standard sous `tools/`, tandis que les procédures complexes sont gérées par des *Skills* définies dans `SKILL.md`. Pour un scénario où un agent doit trier des alertes de surveillance dans un canal Slack, par exemple, il suffit de déclarer `channels/slack.py`.

On observe que ces solutions tentent de rationaliser l'opérationnel. Alors que d'autres plateformes, comme celle d'AWS avec Bedrock AgentCore, se concentrent sur la gouvernance et le pipeline CI/CD avant la mise en production, MDA se concentre sur la couche d'exécution et la gestion des composants dynamiques (comme la mémoire ou les tâches programmées par `schedules/`).

## Déploiement et gestion des tâches

Le passage de l'idée à l'exécution est accéléré par une série de commandes. Après initialisation avec `mda init`, l'utilisateur synchronise l'environnement avec `uv sync` avant de lancer le développement local avec `mda dev`. Une fois satisfait, `mda deploy` pousse le projet vers LangSmith, y intégrant les clés des fournisseurs de modèles.

Cette architecture permet des cas d'usage très variés. Un agent peut être conçu pour répondre aux questions sur une documentation (via `instructions.md`) tout en étant capable de recherche web nativement, sans nécessiter de clé API externe, comme le montre l'exemple du « research-assistant » dans la documentation. Ce dernier utilise le modèle `anthropic:claude-sonnet-4-6` et est configuré pour une recherche web et un résumé hebdomadaire.

On voit aussi des systèmes conçus pour l'autonomie maximale. Les projets peuvent intégrer des subagents pour déléguer des tâches en arrière-plan, ou utiliser des mécanismes d'interruption (`interrupt_on`) pour forcer une validation humaine avant qu'une action critique ne soit effectuée. Il faut surveiller comment ces plateformes intègrent l'équilibre entre l'automatisation poussée et le maintien d'un filet de sécurité humain, un débat qui revient sans cesse dans les discussions autour des systèmes proactifs, comme l'ont évoqué DeepSeek avec son « Super-agent » qui n'intervient que sur validation humaine.

## Sources

- [langchain-skills/config/skills/managed-deep-agents/SKILL.md at main · langchain-ai/langchain-skills](https://github.com/langchain-ai/langchain-skills/blob/main/config/skills/managed-deep-agents/SKILL.md), github.com
- [Managed Deep Agents: the fastest way to ship a production deep agent](https://www.langchain.com/blog/introducing-managed-deep-agents), LangChain, 2 novembre 2026
- [Building an Agentic AI Platform on Amazon Bedrock AgentCore](https://aws.amazon.com/blogs/machine-learning/building-an-agentic-ai-platform-on-amazon-bedrock-agentcore/), AWS, 28 octobre 2026
- [DeepSeek crea l’agente che programma e avvisa solo se serve](https://www.punto-informatico.it/deepseek-crea-agente-programma-avvisa-solo-se-serve/), Punto Informatico, 2 novembre 2026