Managed Deep Agents v0.10: agent ovládá web a při delší práci zůstává na příjmu

TL;DR

• Managed Deep Agents v0.10 umožňují agentovi pracovat na webech bez API a zadávat delší úlohy pomocným agentům na pozadí. Během jejich práce můžeš dál upřesňovat zadání.
• Přihlášení na web převezmeš ve vzdáleném prohlížeči. Podle LangChain se tak heslo nedostane do zpráv modelu ani do záznamů jeho činnosti.
• Verze je ve veřejné betě. Při prvním pokusu ověř předání prohlížeče, změnu rozpracovaného zadání a návrat výsledku do původního vlákna.

Zadáš agentovi, aby dohledal podmínky zrušení firemního předplatného. Web nemá rozhraní pro přímé propojení a vyžaduje přihlášení. Mezitím chceš doplnit, že má agent prověřit také výpovědní lhůtu. Užitečný agentský proces musí zvládnout obojí: předat ti přihlášení a nechat tě mluvit s agentem, i když část práce ještě běží.

Právě tyto dvě překážky řeší Managed Deep Agents v0.10, které LangChain představil 29. října 2026 ve veřejné betě. Spravovaná platforma pro vývoj a provoz agentů přidává ovládání prohlížeče a pomocné agenty pracující na pozadí. Pro tým, který staví vlastního asistenta, to znamená možnost zapojit weby bez API a průběžně řídit delší úlohy z jedné konverzace.

Přihlášení převezmeš přímo v prohlížeči

Agent dostává nástroje pro čtení struktury stránky, klikání a další akce i pořizování snímků obrazovky. Prohlížeč běží v samostatném izolovaném prostředí LangSmith. Může tak obsluhovat stránky určené lidem, kteří běžně procházejí formuláře ručně.

Když potřebuje přihlášení nebo dvoufaktorové ověření, použije browser_handoff. Vysvětlí, proč tě potřebuje, a ve Slacku či Studiu nabídne odkaz pro převzetí vzdáleného okna. Přihlásíš se a tlačítkem Hand back vrátíš ovládání agentovi. Ten zkontroluje, zda přihlášení proběhlo, a pokračuje. Odkaz pro převzetí platí 15 minut.

Podle popisu služby tím heslo zůstává mimo zprávy modelu a záznamy jeho činnosti. Agent ale následně pracuje na přihlášeném webu. U příkladu s předplatným proto doporučujeme oddělit dohledání podmínek od samotného zrušení služby a zrušení nechat čekat na tvoje schválení.

Důležité je také nastavení, kde přihlášení přetrvá:

• Pro jednotlivou konverzaci: každá dostane vlastní prohlížeč bez přihlášení a cookies z ostatních konverzací. V dalších zprávách téže konverzace jej znovu použije.
• Pro uživatele: jeden člověk používá společný prohlížeč napříč svými konverzacemi, takže se na stejný web nemusí pokaždé přihlašovat.

Tuto volbu řeší vývojář aplikace. Před zapojením pracovního účtu si proto ověř, jak dlouho a mezi kterými konverzacemi se přihlášení sdílí.

Delší úkol běží, rozhovor pokračuje

Pomocný agent dostává vymezenou úlohu a vlastní kontext. Dosud hlavní agent v Managed Deep Agents na jeho odpověď čekal, což blokovalo další komunikaci. Verze v0.10 umožňuje v definici pomocného agenta zapnout async: True a nechat ho pracovat na pozadí. Původní způsob s čekáním zůstává dostupný.

Hlavní agent může takovou úlohu spustit, zjistit její stav, upravit zadání nebo ji zrušit. V našem ilustračním příkladu by pomocník procházel podmínky služby, zatímco ty bys v rozhovoru doplnil požadavek na výpovědní lhůtu. Smyslem změny je možnost pokračovat v domluvě během práce; oznámení nedokládá, o kolik rychleji pomocník samotnou rešerši dokončí.

Po dokončení přijde oznámení automaticky. Pokud hlavní agent právě nepracuje, výsledek vyvolá nové spuštění. Pokud čeká na tvoje schválení, dokončení pomocné úlohy toto čekání nepřeruší. Výsledek dostane až po tvé odpovědi.

Vlastní kontext pomocníka přitom neznamená oddělené soubory. Pomocný agent sdílí pracovní prostředí hlavního agenta a může využít soubory, které už hlavní agent vytvořil.

Výsledek se vrací do původního vlákna ve Slacku

U práce na pozadí záleží i na tom, kde se výsledek objeví. Každé vlákno nově nese údaj o svém původu. Odpověď z plánovaného spuštění nebo od později dokončeného pomocníka se díky tomu může vrátit do stejného vlákna ve Slacku, kde požadavek vznikl.

Do původního vlákna přicházejí také žádosti pomocného agenta o schválení. Odpověď na ně jeho práci obnoví. Slack navíc dostává tlačítko Stop, které ruší běžící úlohy daného vlákna.

Pro malý tým je to praktická změna: zadání, schvalování i výsledek mohou zůstat pohromadě. Při zkoušce proto sleduj celý průběh, včetně toho, kam agent po delší odmlce pošle odpověď.

Co ověřit před zapojením do vlastní aplikace

Pro první pokus vyber jeden web a úkol s jasným výsledkem, například dohledání podmínek předplatného bez jeho zrušení. Ověř, zda převezmeš přihlášení, agent po vrácení ovládání naváže a během práce pomocníka dokáže přijmout doplnění zadání. Nakonec zkontroluj výsledek i jeho doručení do správného vlákna.

Pokud už Managed Deep Agents používáš, aktualizace obsahuje i nekompatibilní změny. Ruší connectors.mcp() a adresář connectors/; servery MCP se nově deklarují v tools/mcp.ts nebo tools/mcp.py. Mizí také volba rozsahu sdílení pracovního prostředí sandbox scope. U proměnných LANGSMITH_* mají nově přednost hodnoty z prostředí terminálu před projektovým souborem .env.

Přínos nové verze posuzuj podle jedné dokončené úlohy: podařilo se agentovi projít web, převzít tvoje upřesnění a vrátit použitelný výsledek, aniž bys ztratil přehled o rozpracované práci?

Zdroj

LangChain: Managed Deep Agents v0.10: Browser use and asynchronous subagents, 29. října 2026