LangChain Blog

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Deploy Deep Agents to a managed LangSmith runtime with durable execution, memory, sandboxes, channels, evals, and production-ready infrastructure.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：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 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Learn how LangChain built an autonomous SRE agent for Kubernetes deployments with Deep Agents, human approval for changes, LangSmith tracing, and evals.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Learn how to evaluate voice agents across execution, outcomes, and caller experience using LangSmith traces, code evaluators, LLM judges, and human review.

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Customer Experience (CX) Agents in Production: Lessons from Lyft, Vodafone, and LATAM Airlines

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：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 構建了 ReviewBench，一個基於真實拉取請求反饋的基準，用於評估程式碼審查代理。文章介紹了從真實審查評論中篩選任務、執行方式、評分指標、初步結果以及未來方向。

LangSmith LLM閘道器現已公開測試，為生產環境中的代理模型呼叫提供集中治理層，包括成本控制、速率限制、模型回退和敏感資料保護，幫助團隊避免供應商鎖定並有效管理模型使用。

瞭解Similarweb如何使用LangSmith透過評分標準、忠實度檢查、追蹤和基線比較來評估長篇Agent研究報告。

LangChain資料團隊透過整合Hex、dbt、語義模型和可觀測性，構建了一個可靠的資料代理，將自助分析容量提升了40倍，同時將資料團隊的角色從回答每個問題轉變為改進系統。

企業必須控制自己的代理系統、治理、上下文和反饋迴圈，才能將通用AI轉化為持久的業務優勢。本文闡述了為何通用AI不足以創造差異化，並提供了實現智慧所有權的具體策略，包括控制模型、編排、上下文，管理成本、質量和風險，以及構建持續改進的學習迴圈。

本期內容包括：Jensen Huang 與 Harrison 探討開放代理系統的未來，釋出 NVIDIA NemoClaw for LangChain Deep Agents 藍圖；LangSmith Sandboxes 免費試用、Fleet Slack 整合、語音追蹤；開源專案 OpenWiki Brains、Deep Agents 與 Harbor 統一評估棧、RLMs 動態子代理；新課程《Deep Agents 入門》；以及多場線下活動和客戶案例。

深度代理的開發因評估困難而頗具挑戰。我們最近改進了評估框架，利用 Harbor 在編碼、對話和檢索三大領域進行端到端評估，並分享了我們的實踐方法。

LangChain 釋出了評估工程技能，該技能透過檢查代理的倉庫結構和追蹤記錄，以訪談方式提出評估方案，並生成可執行的 Harbor 格式評估任務。

本文總結了LangChain團隊三年來使用LangGraph構建代理系統的經驗。圖工程並非新概念，而是構建可靠代理的成熟方法。文章介紹了何時使用圖、何時避免使用圖，以及從實踐中總結的關鍵教訓：代理圖通常不是有向無環圖（DAG），迴圈是簡單的圖，動態轉換很重要。

Apollo 使用 Deep Agents 和 LangSmith 驅動其 AI 助手，實現從潛在客戶挖掘、資訊豐富、外聯、分析到 MCP 整合的完整 GTM 迴圈。

LangSmith現已支援對基於Pipecat、LiveKit、OpenAI Realtime和Gemini Live構建的語音代理進行追蹤。可以捕獲音訊、STT和TTS延遲、中斷、工具呼叫等資訊，並整合到一個追蹤中。

LangChain 構建了 IssueBench，這是一個合成基準測試，用於評估 LangSmith Engine 在代理軌跡中識別、分類和分組問題的能力。本文介紹了 IssueBench 的構成、評分方式以及構建過程中的經驗教訓。

AI代理正成為生產基礎設施的一部分，但隨之而來的是治理挑戰。本文提出了一個框架，透過LLM閘道器在執行時強制執行策略，涵蓋安全性、身份認證、審計日誌、資料隔離等基礎，並提供了三種常見切入點（可見性主導、控制主導、保證主導）。閘道器與追蹤、評估、監控系統整合，實現持續改進。

LangChain 釋出了一個開源提取服務的託管版本，支援從 PDF、HTML 和文本檔案中提取結構化資料。該服務免費使用，但不宜用於生產環境或敏感資料。它允許使用者定義提取模式、新增少量示例，並切換不同的 LLM 模型。透過一個簡單的使用者介面，開發者可以快速實驗並整合到自己的 LangChain 工作流中。

文章討論了金融服務業中代理型AI（Agentic AI）的ROI證明問題，指出傳統監控工具無法處理多代理系統的動態成本結構。透過兩個實際用例——RFP處理流程自動化和反洗錢合規監控，展示瞭如何利用LangChain平臺（含LangSmith和LangGraph）與Pay-i經濟智慧平臺結合，將工程級可觀測性連線到業務價值，從而向領導層證明AI投資回報。

OpenWiki 0.2 版本增加了對 OKF（一種知識 wiki 結構化標準）的支援，使開發者能夠更好地組織和分類程式碼庫文件，提升代理檢索效率並減少令牌消耗。

LangChain的Fleet平臺新增一鍵部署功能，允許使用者無需編碼即可建立併發布AI代理到Slack。代理可擁有自定義身份，在頻道和執行緒中工作，並支援許可權控制和審批流程。

為了讓AI智慧體真正自主執行任務，它們需要一個隔離、安全且可快速部署的計算環境。本文介紹了智慧體為何需要自己的“計算機”，以及LangSmith沙箱如何透過微虛擬機器隔離、快照與分支、認證代理和安全執行等特性滿足這一需求。同時討論了提示注入等安全風險及緩解措施。

使用LangSmith追蹤Claude Code、Codex、Cursor、Copilot等編碼代理。檢查工具呼叫、子代理、錯誤、成本和重試。

OpenWiki Brains 是 LangChain 推出的新框架，透過連線 Gmail、Notion、Git 等多種來源，為 AI 代理提供主動的 Wiki 式記憶，並自動更新本地 Wiki。

瞭解如何構建一個風險投資研究代理，它能在90秒內生成帶有引用的投資備忘錄，使用Perplexity Agent API、LangGraph和LangSmith。該代理並行執行團隊、財務、產品和市場四個研究節點，然後綜合生成包含七個部分的備忘錄，包括論點與建議。每個宣告都可追溯到原始來源，確保輸出可審計。文章還比較了三個搜尋提供商，並提供了構建類似代理的要點。

LangChain與NVIDIA合作推出NemoClaw深度代理藍圖，結合LangChain深度代理程式碼、NVIDIA Nemotron 3 Ultra和OpenShell，為企業構建開放、受治理的代理系統。該藍圖在代理評估中實現了領先效能，且推理成本降低約10倍。

透過僅調整Nemotron 3 Ultra的外部框架（harness），在Deep Agents基準測試中達到接近Opus 4.8的最佳成績，成本降低約10倍。本文詳細介紹了評估驅動的方法、提示工程和中介軟體最佳化，以及哪些改進無效。

Deep Agents Code現在可作為NVIDIA NemoClaw的治理藍圖執行，使用開放模型Nemotron 3 Ultra，提供預設拒絕網路、人工審批和完整審計日誌，適用於敏感程式碼現代化。