LangChain Labs の発表
LangChain Labs は、エージェントの継続的学習に焦点を当てた新しい応用研究プロジェクトであり、パートナーとともに自己改善型AIシステムのオープン研究を推進します。
記事インテリジェンス
要点
- LangChain Labs は、エージェントが生成するデータを活用した継続的学習に取り組む。
- Harvey、NVIDIA、Prime Intellect、Fireworks、Baseten と提携。
- コストとレイテンシのトレードオフ改善、評価環境の構築、プロンプト最適化などを研究。
重要な理由
このニュースが重要なのは、LangChain Labs は、エージェントが生成するデータを活用した継続的学習に取り組むためです。
技術的影響
モデル選定、推論コスト、プロダクト能力、評価基準に影響する可能性があります。
LangChain は本日、新しい応用研究チーム「LangChain Labs」を立ち上げました。このチームは、エージェントの継続的学習に特化し、実際の運用データ（トレース、フィードバック、評価結果、本番動作）を活用してエージェントが自己改善できるようにすることを目指しています。
LangChain によれば、エージェントの実行ごとに有用なシグナルが含まれていますが、そのシグナルを捉え、利用可能なデータに変換し、改善に適用する方法が課題です。このデータの捕捉、変換、保存は LangSmith プラットフォームの目的であり、LangChain Labs に継続的学習の研究における有利なスタートをもたらすとしています。
LangChain Labs はすでに Harvey、NVIDIA、Prime Intellect、Fireworks、Baseten と研究パートナーシップを結んでいます。Harvey の応用研究責任者 Niko Grupen 氏は、「LangChain Labs チームと協力して、最も複雑な法律業務に対応する効率的で自己改善型のエージェントの応用研究を推進できることを嬉しく思います」と述べています。
初期の研究の方向性は以下の通りです。
- 大規模エージェントデータからの情報マイニングによるエージェント改善：エージェントが急速にソフトウェアシステムに統合される中、近いうちにエージェントは人間がこれまでに生成した総量を超えるデータを生み出します。このデータから評価/シミュレーション環境の生成、ハーネスエンジニアリング、ポストトレーニングに有用なシグナルを抽出することは依然として難しい問題です。トレースがデータの源泉であり、あらゆるチームがトレースを活用してより良いエージェントを構築できるよう支援したいと考えています。
- パレートフロンティアにおける効率的なエージェント：エージェントはコスト、レイテンシ、タスク性能に関する現実の制約の下で動作します。世界で最も重要な多くのタスクにおいて、エージェントが自己改善できるモデル、ハーネス、フィードバックループの最も効率的な組み合わせはまだ発見されていません。
- 評価・シミュレーション環境の体系的な構築：エージェントを適切に評価するには、多くの場合、本番環境を代表する環境でエンドツーエンドに実行する必要があります。これらの環境の作成は困難で時間がかかります。評価、シミュレーション、強化学習のための環境の作成と実行を容易にする方法を研究しています。
- プロンプト最適化：プロンプトはモデルファミリー固有であり、モデルファミリー間の移行は煩雑で時間がかかることがあります。マルチモデルの未来において、チームがタスクに適したモデルを簡単に選択できるようにするため、モデル間のプロンプト最適化により移行を容易にし、手動調整の手間を削減します。
初期の協力プロジェクトには、異なる垂直領域（法律サービスなど）間でのエージェントの汎化能力の測定、Nemotron などのオープンモデルのハーネスエンジニアリングとファインチューニングによるコスト効率の高いサブエージェントの構築、トレースデータをエージェント改善に利用可能なデータに変換する評価/環境の構築が含まれます。
オープンソースエコシステムはこれまでも構築者が互いに学ぶための核であり、LangChain Labs もそのパターンを継続します。研究、評価、オープンソース統合を公開し、より広範なエージェント構築コミュニティを支援していきます。
「エージェントが学習し、適応し、改善する方法を探求するチームとのパートナーシップを望んでいます。よりオープンな研究を推進し、次世代の自己改善型エージェントを実現します。学んだことを共有し、コミュニティとともに構築を続けることを楽しみにしています。」