Managed Deep Agents v0.9: cron-расписание для агента

#Что понадобится

• Проект Managed Deep Agents с агентом, у которого есть доступ к инструментам поиска.
• Пакет managed-deepagents версии 0.9.0 или новее.
• Аккаунт LangSmith и доступ к деплою: mda deploy создает cron-задачи после завершения процесса.
• Ключ срезAI для живого поиска.

Managed Deep Agents работает как хостед-рантайм для агентов внутри LangSmith. Вы пишете код в репозитории, а CLI собирает его и разворачивает в облаке LangGraph. С версии 0.9 у агентов появилось встроенное расписание. Это решает проблему утренних дайджестов: агент сам просыпается, идет в интернет через веб-поиск, собирает сводку и отправляет ее в Slack.

#Шаг 1. Как объявить расписание

Расписания хранятся в папке schedules/. Один файл - одно расписание. Имя файла задает название задачи, а внутри модуля нужно объявить переменную schedule.

# schedules/daily_digest.py
from managed_deepagents import define_schedule schedule = define_schedule( cron="0 8 * * 1-5", timezone="Europe/Moscow", prompt="Собери утренний дайджест: найди через MCP-поиск свежие новости по нашим темам и сделай сводку.",
)

Поле cron принимает пять стандартных значений. Секунды здесь не поддерживаются. Если пропустить timezone, система выберет UTC. Я так однажды получил утренний отчет в 5 утра вместо 8, так что лучше всегда указывать часовой пояс явно.

#Шаг 2. Выбор между prompt и input

В декларации должно быть ровно одно из этих полей. Prompt - это просто текст сообщения пользователя. Input пригодится, если вашему графу нужен сложный объект со стейтом или набором сообщений.

# schedules/nightly_sweep.py
from managed_deepagents import define_schedule schedule = define_schedule( cron="30 2 * * *", timezone="Europe/Moscow", input={ "messages": [ {"role": "user", "content": "Собери упоминания компании и подготовь сводку."} ] },
)

Для простых задач хватает prompt. Выбирайте input, если логика графа завязана на конкретные ключи в состоянии или параметры ветвления.

#Шаг 3. Выбор треда: ephemeral или persistent

Обычно каждый запуск создает новый тред, который удаляется после работы. Это удобно для разовых сводок. Persistent тред нужен, если агент должен помнить контекст прошлых запусков - например, не повторять новости, которые уже присылал.

Для persistent-режима в поле id нужно вставить именно UUID. Мы однажды ошиблись и вставили slug из адресной строки - сервер сразу выдал ошибку 422. UUID берется в настройках треда в LangSmith Studio.

# schedules/nightly_memory.py
from managed_deepagents import define_schedule schedule = define_schedule( cron="0 3 * * *", timezone="Europe/Moscow", prompt="Проверь текущую память проекта и выпиши задачи на доработку.", thread={ "mode": "persistent", "id": "8b1f0e2a-4c7d-4a2b-9f3c-1e5d7a8b9c0e", },
)

Тред создается один раз. CLI не умеет генерировать его на лету, поэтому сначала заходим в Studio, создаем пустой чат и копируем его идентификатор.

#Шаг 4. Доставка в Slack

Флаг deliver_to отправляет итог работы агента в канал. Это важно, так как у cron-задачи нет интерфейса чата, куда можно вывести ответ. Для работы нужна версия библиотеки не ниже 0.4.0.

# schedules/monday_greeting.py
from managed_deepagents import define_schedule schedule = define_schedule( cron="0 9 * * 1", timezone="Europe/Moscow", prompt="Напиши короткую сводку понедельника и приложи ссылки.", deliver_to={ "channel": "slack", "to": { "type": "provider_conversation", "conversation_id": "C0123456789", }, },
)

Обязательно добавьте бота в нужный канал. Если этого не сделать, в LangSmith вы увидите успешный лог отправки, но само сообщение в Slack не появится.

#Шаг 5. Деплой и проверка

После локальной отладки в mda dev используйте mda deploy. Когда проект перейдет в статус DEPLOYED, сервер обновит список задач. Если вы удалили файл из папки schedules, соответствующий триггер в облаке тоже сотрется.

Трейсы в LangSmith покажут каждый шаг: как агент ходил в поиск и какие ссылки нашел. Это основной способ отладки фоновых задач.

Не используйте флаг --no-wait при обновлении расписаний. Если CLI выйдет до завершения сборки, новые задачи могут не провижниться. Также помните, что локальный mda dev показывает расписания в консоли, но никогда их не запускает. Это сбивает с толку, когда ждешь срабатывания на домашней машине.

#Что не сработает и почему

Конфигурация расписания должна быть статичной. Система считывает файл на этапе компиляции, поэтому динамика здесь запрещена. Это не сработает - если вы попытаетесь вычислить время запуска через функцию.

• Нельзя использовать переменные окружения или вызывать функции в теле декларации - только литералы.
• Для проверки cron всегда нужен девелоперский деплой, mda dev для этого не подходит.
• Параметры канала и выбор треда нельзя изменить после создания декларации без передеплоя.

Проверить логику самого агента можно в локальной Studio, отправив ему тот же промпт вручную. Для теста расписания придется деплоить.

# tools/schedules.py
from langchain.tools import tool
from managed_deepagents import schedules @tool
async def remind_me(prompt: str, cron: str, timezone: str = "UTC") -> str: """Запускает промпт для текущего пользователя по cron.""" item = await schedules.create( owner={"type": "user"}, cron=cron, timezone=timezone, prompt=prompt, ) return f"Created schedule {item['id']}."

#Частые ошибки при сборке