Managed Deep Agents のクイックスタート

Managed Deep Agents のクイックスタート：コード不要で AI エージェントを構築・運用する実践ガイド

この動画は、LangChain が提供する「Managed Deep Agents」の基礎を理解し、Python 環境から本番環境へのデプロイまでを一貫して行う方法を解説しています。API キーの設定やローカルでのテスト、そして LangSmith を介した UI による動的な制御まで、開発者が AI エージェントを効率的に構築・運用するための具体的な手順が示されています。

プロジェクトの初期化と環境構築

Managed Deep Agents の利用を開始するには、まず Python とパッケージ管理ツール「UV」のインストールが必要です。UV は高速な依存関係解決を提供し、プロジェクトのセットアップをスムーズにします。

ターミナルで以下のコマンドを実行することで、Managed Deep Agents をインストールし、プロジェクト構造を作成できます。

uv tool install managed-deep-agents
mda init research-assistant

mda init コマンドを実行すると、research-assistant という名前のフォルダが作成され、以下のようなファイル構成が自動生成されます。

• .env: LangSmith の API キーなどの環境変数が保存されます。
• agent.py: エージェントの核心となる定義（モデルやツールの連携）を記述します。
• instructions.md (または instructions.py): エージェントの動作指示を Markdown 形式で記述し、容易に編集可能です。
• identity.py: エージェントのアイデンティティ設定用（今回は触れません）。
• sandbox/: セーフティやサンドボックス関連の設定（詳細は別動画）。

生成された .env ファイルには自動的に LangSmith の API キーが保存されるため、別途手動で設定する必要はありません。ただし、使用するモデルプロバイダー（例：OpenAI）の API キーは、この .env ファイルに追加する必要があります。

エージェントの定義とツール連携

作成したプロジェクトを編集し、エージェントの挙動をカスタマイズします。まず重要なのは instructions.md ファイルです。ここには「どのようなアシスタントであるか」「どのように振る舞うべきか」を記述します。

このファイルに記述された内容は、エージェントが実行される際、自動的にコンテキストウィンドウ（文脈）として読み込まれます。つまり、ここで定義した指示がエージェントの行動指針そのものになります。

次に、agent.py ファイルで使用するモデルとツールを指定します。LangChain では OpenAI、Google、Anthropic などの主要プロバイダーに対応するスニペットが用意されています。今回は OpenAI を使用し、さらに「Web 検索」機能を追加してエージェントに調査能力を持たせます。

# agent.py の例（簡略化）
from langchain.agents import initialize_agent, Tool
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o")  # 使用するモデルを指定
search_tool = Tool(name="web_search", func=search_function)  # Web 検索ツールを追加

また、デプロイ時に識別しやすくするために、エージェントの名前（name パラメータ）を明確に設定します。例えば research-assistant-1 とすることで、後述する本番環境での管理画面で名前を確認できるようになります。

ローカル開発とテスト：Lang Studio の活用

コードを書き換えるたびにサーバーを再起動するのは非効率です。Managed Deep Agents では、ローカル開発サーバーを起動して即座に動作を検証できます。

ターミナルで以下のコマンドを実行します。

uv sync  # 依存関係をインストール
mda dev   # ローカル開発サーバーを起動

このコマンドを実行すると、ブラウザ上で「Lang Studio」と呼ばれる UI が自動的に開きます。ここはエージェントと対話できるインタフェースであり、ローカル環境でリアルタイムにテストできます。

例えば、「最新の LangChain のリリース情報」を尋ねると、エージェントは Web 検索ツールを複数回呼び出し、情報を収集した上で回答を生成します。このプロセスは視覚的に確認でき、ツールの連携やレスポンスの質を即座にフィードバックとして得られるため、開発サイクルが劇的に短縮されます。

本番環境へのデプロイと UI による管理

ローカルでの動作確認が完了したら、次は本番環境へデプロイします。この手順には LangSmith の有料アカウントが必要です（無料プランではスキップ可能です）。

ターミナルで以下のコマンドを実行します。

mda deploy

このコマンドは二つの重要な処理を行います。

1. Context Hub への同期: エージェントの指示やスキルなどのコンテキスト情報が LangSmith の「Context Hub」に保存されます。これは、コードを変更せずに UI から指示や機能を編集できる仕組みです。
2. デプロイの実行: 実際に本番環境のエージェントが構築・展開されます。

LangSmith のダッシュボードにある「Deployments」ページを確認すると、先ほど設定した名前（例：research-assistant-1）でエージェントが表示されているはずです。ここで「Connect」ボタンをクリックし、「Open in Studio」を選択すると、本番環境のエージェントを同じ Lang Studio 上で操作できます。

Context Hub の最大の利点は、コードベースの変更を伴わずに UI 上で指示やスキルを調整できる点です。これにより、エンタープライズレベルでのアジャイルな AI 導入が可能になります。変更が即座に反映されるため、デプロイの頻度を減らしつつ、柔軟な運用が実現できます。

まとめ

Managed Deep Agents は、複雑なコード実装を最小限にしつつ、UI を介した直感的な管理と本番環境への迅速なデプロイを実現する強力なツールです。ローカルでの高速な試作から、LangSmith による継続的な運用まで、一貫したワークフローを提供することで、開発者の学習曲線と実装コストを大幅に低下させる可能性があります。