如何使用 Managed Deep Agents 的 Schedules SDK 构建常驻主动型智能体
How to Build Proactive, Always-On Agents with the Schedules SDK in Managed Deep Agents
LangChain 介绍了如何利用 Managed Deep Agents 的 Schedules SDK 与 cron 定时调度机制,构建能够自主唤醒并执行任务的常驻主动型智能体。官方数据显示 LangSmith 上超过 70% 的智能体运行均来自计划任务;开发者既可在代码中静态声明执行周期,也能将其封装为工具让智能体在运行时动态创建跟进与提醒。
文章展示了通过定时调度实现主动智能体的工程范式,开发者可直接参考其静态配置与动态工具调用的实现代码。
听说过巴德尔-迈因霍夫现象吗?意思是你刚学会一个新词,就会感觉突然到处都能听到它。我认为软件工程领域也是同理:你刚搞懂一个简单好用的设计模式,就会发现到处都有人在用。
主动型智能体目前正是这种状态。我们注意到,大家喜欢的那些新兴主动式智能体系统,底层几乎全靠一个极简单的机制在支撑:把智能体当作定时任务(cron)来跑。一个存在了五十多年的操作系统老原理,就这样被用在了最前沿的场景中。
未来属于主动型、常驻后台的环境智能体(ambient agent)。近期发布的 Muse、Instinct、Dots、Claude Duet 和 Hone 等产品,都印证了这一趋势。
定时任务赋予了智能体多项能力,两者结合,便造就了主动、个性化且环境化的智能体——也就是说,无需人工发号施令,它们自己就能执行任务。
本文将盘点定时任务所解锁的关键能力,梳理打造这类智能体所需的两个核心底层模块,并通过示例演示如何在 Managed Deep Agents 中实现这一切。
定时任务的威力已经显现。凭借解锁的大量新功能,主动响应正成为智能体行为的新标配。在 LangSmith 上,Managed Deepagent 超过 70% 的运行都来自定时调度,而非由人类手动输入消息触发。
定时任务究竟能解锁什么?
定时任务的概念虽然简单,却能为这些主动、常驻的智能体带来多项关键行为。
记忆能力:这类智能体的一大特色,在于能长期记住与你相关的信息。这在实现上,少不了要在后台跑任务,把过去的对话提炼浓缩成更高密度的记忆,俗称“做梦”(dreaming)。其底层机制本质就是一个按固定周期(比如每天一次)跑的定时任务,通过复盘历史对话学到新东西,再更新到长期记忆里。
主动性:这类智能体的另一大杀手锏,是会主动找你聊它认为你可能感兴趣的事。其底层逻辑,是给智能体设定一个大致的行动方向。
如果是通用型智能体,目标可能只是做个称职的助理:主动预判你的下一步需求,比如提醒即将到来的截止日期、跟进未完结的讨论,或是推送与你工作相关的新闻。如果是垂直领域智能体(比如 Hone),它会奔着明确的目标推进。定时任务会按固定频率(如每小时一次)启动,提示智能体尝试新动作来推进目标,而这些动作最终就会转化为发给用户的主动消息。
智能分流:外界的信息噪音太多了。常驻智能体的一个重要场景,就是监控特定信息源(Slack、电子邮件等),并把相关要讯推送给用户。底层实现上,可以用定时任务按固定周期(如每 10 分钟一次)唤醒智能体,让它去扫一遍事件流,发现值得注意的内容就通知用户。
后续跟进:定时任务不仅能用于后台静默处理。用户经常会要求在未来的某个时间点收到提醒,这时就可以用定时任务设定日程,到点唤醒并提醒用户。
编排:智能体集群可由单个编排智能体统一管理,并且该智能体具备未来唤醒自身的能力。编排智能体可以通过定时任务监控整个集群:在等待异步子任务完成时休眠,之后定期唤醒自身来检查进度。
构建主动型智能体的两大核心要素
我们发现,构建这类智能体通常需要两个核心组件。
首先是一个稳健的定时任务服务器。你需要一个能让开发者轻松添加定时任务的服务器,支持他们根据需要自定义调度周期,并在任务中附带待执行的提示词。如果智能体运行时需要特定技能或权限,也应一并配置。此外,若某一时间点并发任务过多,服务器还应支持轻微“抖动”(jitter)以平摊负载。
其次是适合智能体调用的交互接口。针对跟进等操作,智能体必须能够与这些提醒机制互动,并且需要一种既简单又受控的方式来创建和修改提醒。
借助 MDA 实现该功能
依托 LangSmith Deployments 托管的托管式深度智能体(Managed Deep Agents,简称 MDA),内置了可动态触发智能体运行的定时任务服务器。定时运行的逻辑看似极其简单:就是传入提示词,按预定计划触发,并基于创建该计划的主体绑定对应的线程和记忆。上述工具包为仅接收提示词和定时任务周期的工具奠定了基础。
借助 Managed Deep Agents,定时计划既可以静态定义,也可以由智能体动态生成。

例如,如果智能体的核心设计中包含固定计划(比如每日销售数据汇报),只需在 schedules/ 中配置一个文件即可:
# schedules/daily_digest.py
from managed_deepagents import define_schedule
schedule = define_schedule(
cron="0 8 * * 1-5",
timezone="America/Los_Angeles",
prompt="Inspect the sales report using your tools and send a KPI readout.",
)Managed Deep Agents 还支持动态调度。最终用户可以直接提示智能体去安排那些开发阶段未预料到的周期性任务。要支持这一功能,只需将 Schedules SDK 封装进工具中即可:
# tools/scheduling.py
from langchain.tools import tool
from managed_deepagents import ManagedDeepAgentRuntime
@tool
async def set_schedule(prompt: str, cron: str, runtime: ManagedDeepAgentRuntime) -> str:
"""Run a prompt for the current user on a cron schedule."""
item = await runtime.schedules.create(owner={"type": "user"}, cron=cron, prompt=prompt)
return f"Created schedule {item['id']}."
@tool
async def list_schedules(runtime: ManagedDeepAgentRuntime) -> str:
"""List the current user's schedules."""
page = await runtime.schedules.list(owner={"type": "user"})
return str(page["items"])
@tool
async def delete_schedule(schedule_id: str, runtime: ManagedDeepAgentRuntime) -> str:
"""Delete one of the current user's schedules."""
await runtime.schedules.delete(schedule_id, owner={"type": "user"})
return f"Deleted schedule {schedule_id}."开发者需要足够的灵活性,而 Managed Deep Agents 的工具系统正是为此而设计的。不同类型的智能体可能需要暴露不同的调度工具包。在某些场景下,仅需一个封装了单次运行的基础 remind_me 或 check_in_later 就足够了:
from datetime import datetime, timedelta, timezone
from langchain.tools import tool
from managed_deepagents import ManagedDeepAgentRuntime
@tool
async def check_in_later(prompt: str, minutes: int, runtime: ManagedDeepAgentRuntime) -> str:
"""Run a prompt once for the current user, a number of minutes from now."""
at = datetime.now(timezone.utc) + timedelta(minutes=minutes)
item = await runtime.schedules.create(owner={"type": "user"}, at=at, prompt=prompt)
return f"Scheduled a check-in {item['id']}."欢迎查阅官方文档,开始为你的 Managed Deep Agents 添加定时计划:langch.in/mda。只需一次 mda init 和 mda deploy,即可在团队中分发主动型智能体。
来源:LangChain Blog · langchain.com