第五章：Going to Production

生产 Deep Agent 的核心不是“把本地 agent 变量直接部署出去”，而是让每个 run 带着稳定的 thread_id 和本次请求的 context。当后端资源依赖 thread_id，例如 thread-scoped sandbox 时，导出的 Agent 应该是 async graph factory：平台每次运行调用 factory，factory 查找或创建正确 sandbox 后返回本次运行的图。

最小代码

代码在 deepagent_src/advanced_teach/05_going_to_production.py。

本章用 LocalShellBackend 在临时目录模拟生产 sandbox。真实生产把 registry 换成 SandboxClient + LangSmithSandbox；核心映射关系不变：

async def build_agent(config: RunnableConfig, registry: ThreadBackendRegistry):
    thread_id = config["configurable"]["thread_id"]
    backend = await registry.get_or_create(thread_id)
    return create_deep_agent(
        model=get_gpt_model(disable_tool_streaming=True),
        backend=backend,
        subagents=[],
    )

例子会实际调用一次 LLM，让 alpha 线程的 Agent 用 write_file 写 /thread-note.txt。随后直接检查 backend：

1. 再次为 alpha 调 factory，拿到同一个 backend。
2. 为 beta 调 factory，拿到不同 backend。
3. alpha 和 beta 写同一路径，但内容互不影响。

运行命令

uv run python -m deepagent_src.advanced_teach.05_going_to_production

这会触发一次真实 LLM 调用，并只在临时目录中写文件。没有 CHATGPT_API_KEY 或 CHATGPT_API_URL 时，真实调用会失败。

预期现象

alpha backend id: local-...
beta backend id: local-...
graph factory thread-scoped production pattern ok

两个 backend ID 不同，但同一 thread_id="alpha" 的两次 factory 调用复用同一个 backend。

thread_id 与 context

两者容易混，职责完全不同：

数据	作用域	用途
config["configurable"]["thread_id"]	对话 / thread	checkpoint、消息历史、thread-scoped sandbox
context	单次 run	user_id、功能开关、权限信息、短期请求元数据

同一个 thread_id 能连续对话并返回同一 sandbox；同一 thread 的不同 run 可以携带不同 context。不要把用户身份或 API key 塞进 thread_id。

生产骨架

部署根目录需要 langgraph.json，典型最小结构：

{
  "dependencies": ["."],
  "graphs": {
    "agent": "./agent.py:agent"
  },
  "env": ".env"
}

真实部署的 graph factory 大致是：

from deepagents.backends.langsmith import LangSmithSandbox
from langsmith.sandbox import SandboxClient

client = SandboxClient()

async def agent(config):
    thread_id = config["configurable"]["thread_id"]
    sandbox = client.create_sandbox(
        name=f"thread-{thread_id}",
        idle_ttl_seconds=3600,
    )
    return create_deep_agent(
        model="openai:gpt-5.5",
        backend=LangSmithSandbox(sandbox=sandbox),
    )

示意代码省略了“先按名称查已有 sandbox”的分支；实际代码必须先 lookup 再 create，避免同一线程并发请求各自创建环境。sandbox 生命周期通常用 idle TTL 清理。

常见误区

不要把 LocalShellBackend 部署到服务端。它访问宿主机文件系统，只适合本地教学。生产执行代码要用隔离 sandbox，并通过 sandbox auth proxy 注入外部服务凭证，sandbox 内不要保存用户 API key。

也不要误以为 factory 每次运行返回新的 graph 就必然浪费很大。graph factory 的必要性来自运行时资源绑定；真正昂贵的通常是 sandbox 创建。通过按 thread_id 命名、查找复用和 TTL 管理，避免重复创建即可。

验证

1. alpha 的两次 factory 调用复用同一个 backend。
2. alpha 与 beta 的 backend 不同。
3. 真实 LLM 在 alpha backend 中调用 write_file。
4. 两个 thread 在相同虚拟路径下读到各自内容。

官方依据：/oss/python/deepagents/going-to-production 说明 thread_id 用于对话与 checkpoint，context 用于 per-run 数据；需要 thread-scoped sandbox 时，使用 async graph factory 从 config["configurable"]["thread_id"] 解析 sandbox，并用 TTL 清理闲置环境。