Agent 与工作流01
LangChain 内部做了一个叫 Content Studio 的设计 Agent，放在 Slack 里，同事只要描述需求，它就能生成视频、社交图、幻灯片等成品文件。最初效果很差，因为模型虽然会写代码，但不知道这家公司的审美标准。他们的办法是把设计师的原则和反馈写进 Agent 的技能与检查中，并给每次对话一个独立的沙箱环境，让它能持续编辑自己的渲染结果。现在这个 Agent 已产出 3000 多个素材，公司里四分之三的请求来自市场部以外，单次请求的模型成本从约 8 美元降到约 50 美分。团队把整套框架开源了，可以换上自己的品牌素材，再通过 Managed Deep Agents 部署到 Slack。
文中可用工具
- Content Studio在 Slack 中按需求生成视频、图片和幻灯片等品牌素材的设计 Agent
- Managed Deep Agents用于将 Content Studio 部署到团队 Slack 的托管平台，提供沙箱、集成和任务调度
- LangSmith Sandbox为 Agent 提供托管的隔离运行环境
- Slack用户与设计 Agent 交互、协作的聊天界面
Agent 与工作流02
LangChain 公司为市场、销售和工程团队搭建了内部智能体，并说这些智能体已经明显改变了团队的工作方式。他们遇到的核心问题是：智能体该在哪儿跟人交互、代表谁的身份去操作、记住哪些信息、在哪里安全执行代码，以及如何定时自动运行。他们的做法是让智能体住在员工日常用的 Slack 里，区分“代表提问者本人”和“用固定身份”两种权限，把记忆分成全员共享和按用户两层，代码放到隔离沙箱里执行，并让很多任务由定时或事件触发而非人工唤起。这些智能体都基于 Managed Deep Agents 构建，官方称现在就可以按快速上手文档试用；但文章也承认记忆这块探索最少、还有很多工作要做。
文中可用工具
- Slack员工日常聊天的地方，智能体以独立应用形式入驻，可私聊或在频道里被@
- OpenSWE工程智能体，能起草代码合并请求（PR），也会审查所有 PR
- GTM Agent面向市场销售流程的常驻智能体，监控和回复邮件、跟进新线索、发每日简报、执行外呼动作
- Content Studio市场内容智能体，按公司风格和定位起草博客、图片、PPT、视频等素材
- LangSmith Sandboxes提供隔离沙箱环境，智能体在其中执行代码并通过密钥代理安全访问需要认证的服务
- Managed Deep Agents托管式智能体基础设施，在上述开源框架之上提供频道、定时任务、沙箱、记忆、身份等能力
- Deep Agents开源智能体框架，Managed Deep Agents 建立在它之上
- SalesforceGTM Agent 用固定身份访问的客户关系管理工具
- NotionContent Studio 使用的文档工具，操作时代表发起请求的用户本人
- TwitterContent Studio 使用公司固定账号凭据操作，且只有白名单用户能做发帖等操作
- GitHubOpenSWE 在后台运行时以 GitHub 应用自己的身份操作，用户发起时则用该用户的 GitHub 账号
Agent 与工作流03
Managed Deep Agents 在 v0.9 版本里新增了一个“表情回应”（reactions）API，用来给 Slack 频道里的智能体自动添加 emoji 反应。以前用户发出任务后，常常不知道智能体有没有收到、进行到哪一步，界面显得很“沉默”。这次的做法是：让开发者写一段简单规则或用一个决策模型，根据消息内容动态挑一个 emoji，比如看到“broken”就回一个虫子图标，表示已识别为故障。这样用户在等待较长的智能体任务时能得到即时反馈，更容易信任和看懂智能体在做什么。目前提到的是 v0.9 版本中的新能力，具体可用范围原文没有完整说明。
文中可用工具
- Managed Deep Agents管理分布式智能体的平台，新增 reactions API，可根据消息自动添加 emoji 反应
- Slack channels在 Slack 频道中承载智能体并展示 emoji 反应
- Jev一种决策模型，可从预设的 emoji 词表中根据上下文挑选一个
- TypeSafe ClassifierLangChain 工具包中的分类器，用于调用兼容 TypeSafe 的决策模型
- SemIf另一种可配合相同接口使用的决策模型
- LangSmith LLM Gateway托管决策模型的网关，原文提到 SemIf 托管于此
Agent 与自动化04
langchain-samples/restock-agent
Restock 是一个使用 LangChain Managed Deep Agents、Zinc 和 Link 构建的 Slack 购物智能体示例。用户可以在 Slack 中提出办公用品或包装食品的采购需求，选择商品、查看采购并在 Link 中批准支付，由 Zinc 完成零售结账。项目提供 rehearsal 排练模式（模拟商品与支付）、link-test 测试模式以及 live 真实购买的配置流程。
Agent 与工作流05
Stripe 做了一个叫 Restock 的示范智能体，它住在 Slack 里，能帮你在网上找商品、把商品放进购物车并完成付款。以前让 AI 自己花钱很麻烦：要么让它在网页上模拟点按结账，容易出错，要么得把银行卡信息交给模型，很不安全。这次的做法是让付款交给 Stripe 的消费者钱包 Link 处理，模型从头到尾看不到卡号，而且用户要在 Slack 里确认订单并设定花钱上限，比如买一盒 25 美元以内的蓝笔，智能体最多只能花这么多。对读者的意义是，可以从 Restock 的示例代码出发，自己搭一个能安全付款的智能体。
文中可用工具
- RestockStripe 的示范智能体，能在 Slack 里找商品、建购物车并付款
- Managed Deep Agents托管智能体运行的平台，负责 Slack 接入、人工审核、凭据和状态保存
- LinkStripe 的消费者钱包，持有付款方式并让用户批准付款
- Machine Payments Protocol定义通过 HTTP 进行付款交换的协议，商户返回需要付款的提示，客户端带上凭据重试
- Zinc通过其支持 MPP 的订单 API 搜索商品并代表用户向零售商下单
- Apify原文未说明用途
- Mercator原文未说明用途
- pympp处理 MPP 协议的格式
- Link CLI在沙箱里完成 Link 登录
- ChatOpenAI智能体使用的模型接口，调用 OpenAI 模型
Agent 与工作流06
LangChain 发布了 Managed Deep Agents v0.9。以前智能体只能按固定方式运行，现在它们能在聊天中自己创建提醒和重复任务，每次运行前还能重新选择用哪个模型、哪些技能和工具，不用为每个团队复制一份。智能体还能在回复前先在 Slack 消息上点个表情，告诉对方“收到了”。目前这个版本处于公开测试阶段，想用的人可以开始试用。
文中可用工具
- Managed Deep AgentsLangChain 推出的智能体部署服务，能定时执行任务、按运行配置能力并接入 Slack
- Schedules SDK让智能体在对话中自己创建、列出、修改和删除定时任务与提醒
- define_deep_agent定义一个智能体，决定它在某次运行中使用哪个模型、指令、技能、MCP 服务器和沙箱
- LangSmith定时任务触发时，用来启动新的智能体运行
- Slack智能体接收和回复消息的渠道，并能在消息上添加表情回应
- Jev决策模型，可用于快速、低成本地挑选合适的 Slack 表情
Agent 与工作流07
Datadog 将 Bits Chat 引入 Slack，让响应者可在 Slack 频道内直接调用 Bits AI 调查告警、分析遥测数据、生成修复代码的 PR、执行补救操作并自动创建事后复盘笔记本，从而减少工具切换，加快事件响应。