LangChain Blog

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Deploy Deep Agents to a managed LangSmith runtime with durable execution, memory, sandboxes, channels, evals, and production-ready infrastructure.

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Deep Agents, LangChain, and LangGraph each offer distinct approaches to building agents. In this post, we cover the key distinctions between our open source frameworks and when you should reach for each one.

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Learn how LangChain built an autonomous SRE agent for Kubernetes deployments with Deep Agents, human approval for changes, LangSmith tracing, and evals.

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Learn how to evaluate voice agents across execution, outcomes, and caller experience using LangSmith traces, code evaluators, LLM judges, and human review.

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Customer Experience (CX) Agents in Production: Lessons from Lyft, Vodafone, and LATAM Airlines

AI 服务暂时不可用，以下为来源摘要，待恢复后补全翻译：Learn how Stripe built Kai, a company-wide AI agent on LangChain, LangGraph, and Deep Agents, reaching 5,000 users in roughly 4 weeks.

LangChain 构建了 ReviewBench，一个基于真实拉取请求反馈的基准，用于评估代码审查代理。文章介绍了从真实审查评论中筛选任务、运行方式、评分指标、初步结果以及未来方向。

LangSmith LLM网关现已公开测试，为生产环境中的代理模型调用提供集中治理层，包括成本控制、速率限制、模型回退和敏感数据保护，帮助团队避免供应商锁定并有效管理模型使用。

了解Similarweb如何使用LangSmith通过评分标准、忠实度检查、追踪和基线比较来评估长篇Agent研究报告。

LangChain数据团队通过集成Hex、dbt、语义模型和可观测性，构建了一个可靠的数据代理，将自助分析容量提升了40倍，同时将数据团队的角色从回答每个问题转变为改进系统。

企业必须控制自己的代理系统、治理、上下文和反馈循环，才能将通用AI转化为持久的业务优势。本文阐述了为何通用AI不足以创造差异化，并提供了实现智能所有权的具体策略，包括控制模型、编排、上下文，管理成本、质量和风险，以及构建持续改进的学习循环。

本期内容包括：Jensen Huang 与 Harrison 探讨开放代理系统的未来，发布 NVIDIA NemoClaw for LangChain Deep Agents 蓝图；LangSmith Sandboxes 免费试用、Fleet Slack 集成、语音追踪；开源项目 OpenWiki Brains、Deep Agents 与 Harbor 统一评估栈、RLMs 动态子代理；新课程《Deep Agents 入门》；以及多场线下活动和客户案例。

深度代理的开发因评估困难而颇具挑战。我们最近改进了评估框架，利用 Harbor 在编码、对话和检索三大领域进行端到端评估，并分享了我们的实践方法。

LangChain 发布了评估工程技能，该技能通过检查代理的仓库结构和追踪记录，以访谈方式提出评估方案，并生成可执行的 Harbor 格式评估任务。

本文总结了LangChain团队三年来使用LangGraph构建代理系统的经验。图工程并非新概念，而是构建可靠代理的成熟方法。文章介绍了何时使用图、何时避免使用图，以及从实践中总结的关键教训：代理图通常不是有向无环图（DAG），循环是简单的图，动态转换很重要。

Apollo 使用 Deep Agents 和 LangSmith 驱动其 AI 助手，实现从潜在客户挖掘、信息丰富、外联、分析到 MCP 集成的完整 GTM 循环。

LangSmith现已支持对基于Pipecat、LiveKit、OpenAI Realtime和Gemini Live构建的语音代理进行追踪。可以捕获音频、STT和TTS延迟、中断、工具调用等信息，并整合到一个追踪中。

LangChain 构建了 IssueBench，这是一个合成基准测试，用于评估 LangSmith Engine 在代理轨迹中识别、分类和分组问题的能力。本文介绍了 IssueBench 的构成、评分方式以及构建过程中的经验教训。

AI代理正成为生产基础设施的一部分，但随之而来的是治理挑战。本文提出了一个框架，通过LLM网关在运行时强制执行策略，涵盖安全性、身份认证、审计日志、数据隔离等基础，并提供了三种常见切入点（可见性主导、控制主导、保证主导）。网关与追踪、评估、监控系统集成，实现持续改进。

LangChain 发布了一个开源提取服务的托管版本，支持从 PDF、HTML 和文本文件中提取结构化数据。该服务免费使用，但不宜用于生产环境或敏感数据。它允许用户定义提取模式、添加少量示例，并切换不同的 LLM 模型。通过一个简单的用户界面，开发者可以快速实验并集成到自己的 LangChain 工作流中。

文章讨论了金融服务业中代理型AI（Agentic AI）的ROI证明问题，指出传统监控工具无法处理多代理系统的动态成本结构。通过两个实际用例——RFP处理流程自动化和反洗钱合规监控，展示了如何利用LangChain平台（含LangSmith和LangGraph）与Pay-i经济智能平台结合，将工程级可观测性连接到业务价值，从而向领导层证明AI投资回报。

OpenWiki 0.2 版本增加了对 OKF（一种知识 wiki 结构化标准）的支持，使开发者能够更好地组织和分类代码库文档，提升代理检索效率并减少令牌消耗。

LangChain的Fleet平台新增一键部署功能，允许用户无需编码即可创建并发布AI代理到Slack。代理可拥有自定义身份，在频道和线程中工作，并支持权限控制和审批流程。

为了让AI智能体真正自主执行任务，它们需要一个隔离、安全且可快速部署的计算环境。本文介绍了智能体为何需要自己的“计算机”，以及LangSmith沙箱如何通过微虚拟机隔离、快照与分支、认证代理和安全执行等特性满足这一需求。同时讨论了提示注入等安全风险及缓解措施。

使用LangSmith追踪Claude Code、Codex、Cursor、Copilot等编码代理。检查工具调用、子代理、错误、成本和重试。

OpenWiki Brains 是 LangChain 推出的新框架，通过连接 Gmail、Notion、Git 等多种来源，为 AI 代理提供主动的 Wiki 式记忆，并自动更新本地 Wiki。

了解如何构建一个风险投资研究代理，它能在90秒内生成带有引用的投资备忘录，使用Perplexity Agent API、LangGraph和LangSmith。该代理并行运行团队、财务、产品和市场四个研究节点，然后综合生成包含七个部分的备忘录，包括论点与建议。每个声明都可追溯到原始来源，确保输出可审计。文章还比较了三个搜索提供商，并提供了构建类似代理的要点。

LangChain与NVIDIA合作推出NemoClaw深度代理蓝图，结合LangChain深度代理代码、NVIDIA Nemotron 3 Ultra和OpenShell，为企业构建开放、受治理的代理系统。该蓝图在代理评估中实现了领先性能，且推理成本降低约10倍。

通过仅调整Nemotron 3 Ultra的外部框架（harness），在Deep Agents基准测试中达到接近Opus 4.8的最佳成绩，成本降低约10倍。本文详细介绍了评估驱动的方法、提示工程和中间件优化，以及哪些改进无效。

Deep Agents Code现在可作为NVIDIA NemoClaw的治理蓝图运行，使用开放模型Nemotron 3 Ultra，提供默认拒绝网络、人工审批和完整审计日志，适用于敏感代码现代化。