AI News HubLIVE
站内改写

推出 LangSmith Context Hub

LangSmith 釋出 Context Hub,一個集中儲存、版本管理和協作管理 AI 代理行為檔案(如 AGENTS.md、技能、策略)的平臺。它解決了上下文檔案常由非工程人員編寫且更新頻繁的問題,提供版本控制、標籤、評論等功能,支援 CLI 和 UI 操作,並能與 Deep Agents 整合實現持久化記憶。

文章情報

工程師入門

要點

  • Context Hub 集中管理代理上下文檔案,包括 AGENTS.md、技能、策略等。
  • 上下文對代理行為影響巨大,許多失敗源於缺失或過時的上下文。
  • 提供版本控制、標籤(dev/staging/prod)、評論等功能。
  • 支援從 CLI、UI 或由代理自動建立上下文。

為什麼重要

這條新聞值得關注,因為Context Hub 集中管理代理上下文檔案,包括 AGENTS.md、技能、策略等。

技術影響

可能影響模型選型、推理成本、產品能力和評測基準。

LangSmith 今日正式推出 Context Hub,這是一個全新的集中式平臺,用於儲存、版本管理和協作處理定義 AI 代理行為的各類檔案。這些檔案包括 AGENTS.md、技能檔案、策略、示例以及其他代理依賴的檔案包。Context Hub 為這些檔案提供了一箇中心化的家園,使團隊能夠像管理代理系統的其他關鍵元件一樣管理它們。

上下文為何重要

代理的行為主要由三個元件塑造:模型、框架和上下文。模型負責推理和生成;框架是模型周圍的程式碼,定義代理迴圈、工具、狀態、許可權等執行時行為;上下文則是代理讀取並遵循的資訊,包括系統指令、AGENTS.md 檔案、技能、示例、公司策略、寫作指南、支援流程和領域特定知識。上下文對代理行為有著巨大的影響。更好的模型或框架固然有幫助,但許多代理失敗都源於缺失、過時或管理不善的上下文。代理可能擁有正確的工具,但仍需要正確的指令、示例和策略才能有效使用它們。甚至有人認為上下文比框架本身更值得投入。

為何上下文需要獨立的空間

框架程式碼通常屬於 GitHub 或工程團隊管理程式碼的地方。而上下文往往需要不同的工作流程。首先,上下文通常由非工程人員管理。在 LangChain,我們將技能用於品牌設計、部落格寫作、產品訊息等。最適合建立和稽核這些檔案的人往往是設計師、營銷人員、支援主管、產品經理或其他領域專家。GitHub 可以適用於某些團隊,但並非總是適合所有需要塑造代理行為的人。其次,上下文變化迅速。團隊隨著經驗積累不斷更新指令、最佳化示例、新增策略並調整技能。代理本身也可以建立和更新上下文。例如,代理可以研究某個主題,生成一組參考檔案,並將其儲存供未來的代理使用。

Context Hub 提供什麼

Context Hub 為團隊在 LangSmith 中提供了一個管理代理上下文的中央位置。它開箱即支援 AGENTS.md 檔案和技能,並且足夠靈活,可以儲存其他檔案包。核心功能包括:版本控制——跟蹤上下文檔案的更改、檢查先前版本並在需要時回滾;標籤——用 dev、staging 或 prod 等標籤標記版本,以便代理在正確的環境中使用正確的上下文;評論——直接在上下文更改上與團隊成員協作。目標是讓上下文作為代理系統的一等公民更易於管理。

使用 LangSmith Context Hub

要使用 Context Hub,首先需要上傳技能或其他檔案。可以透過多種方式完成:在 UI 中手動定義、從本地計算機上傳,或讓代理自動建立。

手動定義:在 LangSmith UI 中開啟 Context Hub,建立新倉庫,選擇倉庫型別(技能或代理),設定控制代碼,然後在 UI 編輯器中直接建立檔案,儲存為提交併新增標籤。

從本地上傳:使用 LangSmith CLI。首先認證,然後在本地腳手架一個技能資料夾,編輯檔案,最後推送到 Context Hub。

代理建立:代理可以自行建立上下文,這一概念最初由 Karpathy 的 LLM wiki 想法提出。

一旦上下文存在,有多種方式使用 Context Hub:同步到磁碟供編碼代理讀取;在 Deep Agents 中作為虛擬檔案系統使用;或利用持久化記憶功能。

構建 LLM 維基示例

我們構建了一個工作流,讓代理研究主題並將結果寫入 Context Hub 條目。代理收集資訊、整理發現,並建立資料夾供未來代理參考。該資料夾可包含摘要、來源筆記、術語、示例以及如何使用研究結果的說明。儲存到 Context Hub 後,團隊成員可以審查、評論、標記版本並使其可供其他代理使用。這種模式在代理需要持久知識並隨時間改進時非常有用。

Context Hub 的持續學習

生產環境中的代理會遇到邊緣情況、犯錯以及遇到初始上下文未預見的情況。持續學習就是透過基於實際使用來改進行為以彌合差距。在實踐中,大部分工作發生在上下文層:AGENTS.md、技能、策略、示例和記憶檔案。Context Hub 透過保持一切版本化、可審查並立即可用於未來執行,使持續學習變得實用。大多數代理質量問題是指令、記憶或策略問題;上下文檔案比模型或框架更改迭代更快;版本化的上下文結合問題跟蹤可建立可重複的改進迴圈。

開放記憶標準

代理記憶正在逐漸形成幾種常見類別:情景記憶(來自過去互動)、語義記憶(透過向量或混合搜尋檢索)和程式記憶(以指令、技能和策略形式)。但缺少的是跨代理、框架和資料層儲存、讀取、更新、版本化和移動記憶的共享方式。我們正在與 Elastic、MongoDB、Pinecone 和 Redis 合作開發代理記憶的開放標準。AGENTS.md 和技能檔案已成為程式記憶的有用約定,但缺乏版本化、按環境標記以及在不同代理間移植的共享規範。我們將與合作伙伴共同定義記憶系統所需的介面、後設資料、版本化模式和檢索語義。