LangChain Blog

瞭解Deep Agents如何利用提示緩存，在無需額外配置的情況下，將各大模型提供商的LLM Token成本降低高達80%。

LangSmith新增Fleet值班副駕駛用於告警分類、智能體計算機使用、語音跟蹤調試和實驗狀態跟蹤。還有Deep Agents評分標準、程序化子智能體、新的LangSmith部署課程，以及芝加哥、柏林、華盛頓特區和拉斯維加斯的即將舉行的活動。

在Max Agency播客中，Zack Reneau-Wedeen分享了構建客户導向AI代理的經驗，強調簡單架構、基於結果的定價和避免“組織架構運輸”的重要性。他解釋了為什麼多代理系統常常是陷阱，以及如何通過並行運行多個模型來優化性能。

Klarna利用LangGraph和LangSmith構建的AI助手，處理了相當於700名全職員工的工作量，將客户問題解決時間縮短80%，自動化了約70%的重複支持任務。

歐盟AI法案合規截止日期為2026年8月2日。本文詳細介紹了該法案對高風險AI系統的具體要求，以及LangSmith和LangChain OSS如何通過全鏈路追蹤、自動化評估、人工監督等功能幫助您實現合規。

本文介紹了為AI Agent添加記憶功能的實用方法，包括短期記憶和長期記憶的概念、追蹤分析以及如何利用LangSmith工具實現記憶循環，從而讓Agent從以往交互中學習並改進行為。

LangSmith 推出無代碼代理構建器，讓非技術人員也能輕鬆創建具有記憶、引導式提示和 MCP 工具的 AI 代理。該構建器通過對話式引導、內置記憶和子代理功能，降低了代理開發的門檻，適用於內部生產力場景。

Factory AI 通過 LangSmith 的可觀測性和反饋 API 優化產品反饋循環，實現了迭代速度翻倍，並顯著縮短了開發週期。

Open SWE 是一款開源、雲端託管的編碼代理，能夠自主處理 GitHub 任務，包括規劃、編碼、測試和提交拉取請求。它採用多代理架構，包含規劃器、程序員和審查器，並支持人類參與循環和異步執行。

Monte Carlo 利用 LangGraph 構建 AI 故障排除代理，並使用 LangSmith 進行調試，幫助數據團隊更快地解決問題。該代理能夠並行探索多個調查路徑，顯著縮短根因分析時間。

LangSmith 推出公開基準測試和評估數據集共享功能，幫助開發者比較不同 LLM 架構在相同任務上的表現。首發數據集為 LangChain 文檔問答數據集，併發布了 langchain-benchmarks 包以支持實驗。文章分析了多種模型和架構的性能，並提供了調試方法。

LangSmith 產品主頁重新劃分為三大板塊：可觀測性、評估和提示工程。同時，資源標籤功能得到增強，支持按應用或自定義標籤靈活分組資源，未來還將引入基於屬性的訪問控制（ABAC）。

智能體工程是一門結合產品思維、工程和數據科學的新學科，旨在通過迭代構建、測試、發佈、觀察和優化的循環，將非確定性的LLM系統轉變為可靠的工業生產體驗。文章介紹了該學科的核心概念、所需技能、實踐場景以及為什麼現在需要它。

本文介紹瞭如何使用LangSmith評估和比較微調後的開源LLM。作者通過微調Llama2-7b和13b模型來生成SQL，並在LangSmith上創建數據集、運行測試、用GPT-4自動評估。結果顯示，13b模型在使用較少數據時仍接近GPT-3.5水平，證明了開源模型的競爭力。

AI智能體在反映團隊積累的知識和判斷時效果最佳。本文探討如何將人類判斷融入智能體開發的生命週期，以交易員助手為例，講解工作流設計、工具設計和上下文工程，並介紹通過自動化評估和監測來優化智能體的改進循環。

Deep Agents SDK通過卸載、摘要和文件系統抽象來管理長時間運行AI任務的上下文，防止上下文腐敗。本文介紹了三種壓縮技術：卸載大型工具結果、卸載大型工具輸入和摘要，並提供了實踐指導和評估方法。

本文探討了構建可靠AI代理的核心在於精心設計的循環架構，而不僅僅是模型本身。作者介紹了四種嵌套循環：代理循環、驗證循環、事件驅動循環和爬山循環，並展示瞭如何使用LangChain原語實現每層循環。文章強調，通過將代理嵌入生態系統並持續改進，可以構建難以複製的競爭優勢。

Fleet將Agent工作分為臨時任務和重複任務兩種模式，分別由通用聊天和專業Agent處理。通用聊天適合低配置的臨時需求，而專業Agent通過持久指令、工具、子Agent和記憶等配置來處理重複性工作。本文詳細介紹了兩種Agent類型的設計理念、適用場景及配置差異。

LangChain與Fireworks合作微調開放模型，從生產追蹤中挖掘感知錯誤信號，以極低成本達到前沿模型性能。

本文探討了AI智能體的定義，提出智能體是一個使用LLM決定應用控制流的系統。作者贊同Andrew Ng的觀點，認為智能體能力是一個頻譜，並介紹了“智能體化”的概念及其在開發、運行、評估和監控中的意義。

LangChain構建了一個基於Deep Agents的GTM代理，自動完成潛在客户研究和郵件起草，並整合賬户情報，實現了線索轉化率提升250%，每位銷售代表每月節省40小時。

LangSmith 的新功能 Align Evals 幫助開發者校準評估器，使其更符合人類偏好，從而減少評估分數與人工判斷之間的差異。

本文分析了兩個看似對立的博客文章——Cognition團隊的“不要構建多智能體”和Anthropic團隊的“我們如何構建多智能體研究系統”，指出它們實際上有很多共同點，並提供了關於何時以及如何構建多智能體系統的見解。關鍵要點包括：上下文工程至關重要、以“讀”為主的多智能體系統比以“寫”為主的更容易、以及生產可靠性和工程挑戰。文章還介紹了LangGraph和LangSmith等工具如何幫助解決這些挑戰。

瞭解 Replit 如何利用 LangSmith 的觀測能力調試複雜的代理工作流，包括改進的追蹤性能、搜索功能和人機協同線程視圖。

Interrupt 2025 是 LangChain 舉辦的首屆行業大會，匯聚了來自全球的 800 名參與者。會議重點討論了代理工程作為新學科、多模型應用、LangGraph 用於構建可靠代理以及 AI 可觀測性等主題。同時，LangChain 發佈了一系列新產品，包括 LangGraph Platform 正式版、Open Agent Platform、LangGraph Studio v2、LangGraph Pre-Builts、LangSmith 可觀測性更新、Open Evals 和 LLM-as-Judge 等。

瞭解什麼是成對評估，為什麼在LLM應用開發中可能需要它，並通過LangChain的LangSmith示例瞭解如何使用它。

本教程介紹如何利用Pinecone Serverless、LangChain和LangServe構建生產級RAG應用，解決原型與生產之間的差距，包括向量存儲管理、快速部署和可觀測性。

OpenEvals和AgentEvals提供了預構建的評估器，支持LLM-as-judge、結構化數據和代理軌跡評估。這些開源包幫助開發者快速建立評估流程，確保LLM應用可靠性。

本文深入探討了構建可靠智能體系統的核心挑戰——確保LLM在每一步都擁有適當的上下文。作者比較了工作流與智能體、聲明式與命令式方法，並介紹了LangGraph框架的設計理念。文章還批評了OpenAI的智能體指南，讚賞了Anthropic的定義，並討論了框架的“天花板”與“地板”概念。

LangSmith推出自我改進的LLM評判器，通過將人工修正存儲為少樣本示例，無需提示工程即可使評判與人類偏好保持一致。