AITOPAI热报

LangChain

共 476 条相关 AI 资讯 · 查看话题观测
5月28日
03:02
03:02Harrison Chase@hwchase17
LangChain 发布 Deep Agents v0.6，核心新特性是 Delta Channels，大幅优化了智能体检查点的存储方式。对于长时间运行的智能体，Delta Channels 可将检查点存储量降低最多 100 倍，同时不牺牲可观测性和弹性。例如，一个 200 轮的编码智能体会话，使用前需要 5.3GB 存储，使用后仅需 129MB。这一改进解决了长任务智能体存储成本高、恢复慢的痛点，让开发者可以更高效地运行和调试复杂智能体。
AI产品智能体LangChainDeep Agents
推荐理由：做长时间运行智能体的开发者终于不用为检查点存储发愁了——100 倍压缩意味着更低的成本和更快的恢复，建议直接升级试试。
原文
5月27日
22:59
22:01
22:01官方账号LangChain@LangChainAI
LangChain 团队宣布将参加 6 月 4 日在纽约举办的生成式 AI 峰会。该峰会聚集了 500 多名工程师、开发者和技术领导者，聚焦于将 AI 系统从原型可靠地部署到生产环境。活动旨在帮助开发者解决原型与规模化部署之间的差距问题。LangChain 团队将在现场设展并举办分享环节，与参会者交流实际构建经验。
行业LangChain生成式 AI峰会
推荐理由：如果你正在为 AI 原型到生产部署的鸿沟头疼，这场峰会就是为你准备的——500+ 技术同行和 LangChain 团队都在现场，值得去聊聊实际落地的坑与解法。
原文
18:27
11:22
11:22官方账号LangChain@LangChainAI
精选
LangChain 的 Adam Łucek 分享了如何利用 Agent 运行时的 Trace 数据来构建生产级评估。Trace 数据记录了 Agent 的输入、输出、执行步骤和元数据，是优化 Agent 行为的关键。通过分析 Trace，可以识别低效环节，并用于构建更复杂的评估体系。文章介绍了两种利用 Trace 构建评估的具体方法，帮助团队快速迭代和提升 Agent 的可靠性。
AI产品AgentTrace评估
推荐理由：做 Agent 开发的团队终于有了可落地的评估方法论——Trace 数据不再是日志垃圾，而是构建评估的黄金矿，建议做生产级 Agent 的开发者点开看看具体怎么用。
原文
11:16
11:16官方账号LangChain@LangChainAI
精选
LangChain 发布 LangSmith Engine，旨在加速软件和智能体的自优化循环。该系统通过观察自身输出、评估并利用信号持续改进，而 LLM 的可靠性使评估步骤终于可行。LangSmith Engine 集成了自动分类反馈、在线评估器防止回归、离线评估加入测试套件，以及根据用户偏好持续调优等功能。该工具已获得大量采用，并随着使用时间增加而效果更好。
AI产品LangSmith Engine自优化循环智能体
推荐理由：做智能体或自动化流程的开发者，LangSmith Engine 解决了自优化循环的落地难题——反馈自动处理、评估不退化，值得直接集成到你的工作流中。
原文
11:08
11:08
11:08官方账号LangChain@LangChainAI
LangChain 将于 5 月 27 日在波士顿举办线下 Meetup，由团队核心成员 Sydney Runkle 与 Blitzy 的 Dillon Jones 共同主持。活动聚焦部署长运行 Agent 的挑战与运行时能力，适合对 Agent 生产化部署感兴趣的开发者。现场名额有限，需提前通过 Luma 报名。
行业LangChainAgent线下活动
推荐理由：想了解长运行 Agent 在生产环境落地的真实坑点？LangChain 团队和 Blitzy 的实战分享值得一听，做 Agent 部署的开发者建议报名。
原文
11:03
11:02
11:02官方账号LangChain@LangChainAI
精选
LangChain 推出了 Mission Control，一个运行在 Kubernetes 集群内的解耦应用，用于部署、配置、观察和排查自托管的 LangSmith 及相关 LangChain 基础设施。它无需 ingress、外部控制平面或额外数据库，完全在本地访问。这简化了自托管 LangSmith 的运维复杂度，适合需要私有化部署的团队。目前该项目已在 X 上获得关注，但尚未公开仓库链接。
AI产品LangChainLangSmithKubernetes
推荐理由：自托管 LangSmith 的团队终于有了一个轻量运维方案——Mission Control 省去了 ingress 和外部控制平面，直接在 K8s 内搞定部署和监控，做 LLM 应用基础设施的开发者值得关注。
原文
5月26日
22:24
22:24官方账号LangChain@LangChainAI
LangChain 宣布将参加 5 月 27 日的 #TorontoTechWeek 活动，由部署工程师 Haider Zaidi 和 Questrade 高级首席 AI 工程师 Jasen Mackie 共同分享。他们将深入讲解部署长运行智能体的实际挑战，以及支撑这些智能体的运行时能力。活动提供 RSVP 链接，适合关注 AI 智能体落地的开发者。
行业LangChain智能体部署
推荐理由：LangChain 团队亲自拆解长运行智能体的部署难点，做 AI 工程化的开发者可以直接去现场或关注后续内容，了解运行时能力如何让智能体真正跑起来。
原文
5月23日
09:42
09:42官方账号LangChain@LangChainAI
LangChain 创始人 Harrison Chase 在 Max Agency 播客中与 Cogent Security 联合创始人兼 CTO Geng Sng 深入探讨了构建用于自主网络防御的智能体。对话聚焦于如何利用 AI 智能体实现网络安全的自动化响应与防御，减少人工干预。本期内容对安全领域开发者及 AI 智能体构建者具有重要参考价值。
AI产品智能体网络安全LangChain
推荐理由：Harrison Chase 亲自下场聊智能体在网络安全中的实战落地，做安全或智能体开发的团队值得一听，能直接获取构建自主防御系统的思路。
原文
5月22日
08:06
08:06
08:05
08:05官方账号LangChain@LangChainAI
精选
LangChain 发布了 Context Hub，这是一个集中管理 AI 应用上下文（包括 Prompt、Memory 技能和子智能体定义）的工具，所有内容都支持版本控制。同时，它还提供了沙箱环境，每个线程有独立的持久化文件系统，支持安全代码执行、Shell 访问和文件 I/O，并带有认证代理和快照功能。这解决了多智能体系统中上下文碎片化和版本混乱的问题，让开发者能更高效地构建和调试复杂 AI 工作流。
AI产品LangChainContext Hub智能体
推荐理由：做多智能体或复杂 AI 应用的团队终于有了上下文管理利器——版本化 Prompt 和 Memory 技能，配合安全沙箱，调试和迭代效率会明显提升，建议直接体验。
原文
08:05
08:05
08:05官方账号LangChain@LangChainAI
LangChain 发布了最新的 Academy 课程，专注于生产环境中智能体的监控。课程教授如何使用 LangSmith 工具跟踪成本、通过追踪分析发现趋势、以及监控质量和延迟。该课程免费开放，适合正在部署或维护 AI 智能体的开发者和团队。
AI产品LangChainLangSmith智能体
推荐理由：生产环境智能体监控是很多团队头疼的问题，LangSmith 给出了成本、质量、延迟一体的方案，做 AI 应用运维的开发者可以直接学起来。
原文
08:05
08:05官方账号LangChain@LangChainAI
LangChain 在推文中指出，构建智能体（Agent）最残酷的现实是：在投入生产环境之前，你根本无法预知它的行为。这意味着开发者必须重视生产环境下的测试与监控，而非仅依赖开发阶段的模拟。这一观点强调了智能体在实际部署中的不可预测性，对构建可靠 AI 系统的团队具有重要警示意义。
行业智能体生产部署测试
推荐理由：做智能体开发的团队都会遇到这个痛点——开发环境跑得好好的，一上线就翻车。LangChain 点出了这个行业共识，值得所有 Agent 开发者停下来反思自己的测试流程。
原文
08:05
08:05官方账号LangChain@LangChainAI
LangChain 团队将在波士顿科技周举办线下聚会，时间是 5 月 27 日。活动由 LangChain 开源团队的 Sydney Runkle 与 Blitzy 的 Dillon Jones 共同主持，重点讨论部署长时间运行智能体的实战经验与运行时能力。适合对智能体部署感兴趣的开发者参加，活动免费但需提前报名。
行业LangChain智能体波士顿
推荐理由：做智能体部署的开发者别错过——LangChain 团队和 Blitzy 联手分享长时间运行智能体的实战经验，直接听一线工程师讲坑和方案，建议报名占位。
原文
01:26
01:26官方账号LangChain@LangChainAI
LangChain 发布了沙盒 Auth Proxy，一种用于控制智能体生成行为与外部世界之间边界的新工具。该代理通过身份验证和授权机制，确保智能体在安全范围内执行操作，防止越权访问或意外行为。这对于构建可靠、安全的 AI 智能体应用至关重要，尤其适合需要严格权限管理的企业级场景。开发者可以借此更精细地定义智能体的行为边界，降低风险。
AI产品LangChain智能体安全/权限
推荐理由：LangChain 的沙盒 Auth Proxy 解决了智能体安全的核心痛点——如何防止 AI 行为失控。做企业级智能体应用或需要严格权限控制的团队，这个工具值得直接集成。
原文
5月21日
08:01
08:01官方账号LangChain@LangChainAI
LangChain 的 Palash Shah 分享了一种针对长时运行 AI Agent 的评估方法。核心思路是将复杂的评估任务拆解成更小、更易处理的子任务，这样不仅便于人类理解，也更容易让 LLM 自身进行评估。他举例说明，对于运行超过 30 分钟的 Agent，通过从追踪中提取推理过程，找出特定行为的根本原因，然后重建简化版的评估场景。这种方法可以快速测试提示词调整的效果，而无需每次都运行完整的长时间评估。
AI产品LangChainAI Agent评估方法
推荐理由：做长时 AI Agent 评估的开发者终于有了实用技巧——拆解任务后评估效率大幅提升，建议直接参考这个流程优化你的评估策略。
原文
08:00
08:00官方账号LangChain@LangChainAI
LangChain 团队与 Blitzy 合作，将于 5 月 27 日在波士顿举办线下聚会。活动中，LangChain 的 Sydney Runkle 和 Blitzy 的 Dillon Jones 将分享部署长运行 Agent 的经验，并介绍支撑其运行的运行时能力。活动适合对 Agent 部署感兴趣的开发者，可免费报名参加。
行业LangChainAgent部署
推荐理由：想了解长运行 Agent 在生产环境中的部署要点？LangChain 官方和 Blitzy 的实战分享值得一听，做 Agent 开发的建议报名。
原文
08:00
08:00官方账号LangChain@LangChainAI
精选
LangSmith Engine 是 LangChain 推出的新工具，旨在加速智能体开发流程。它能自动分析 Agent 运行中的失败模式，生成代码修复建议，并推荐评估覆盖范围。开发者无需手动追踪日志，即可快速定位和解决问题。这显著提升了 Agent 的调试和迭代效率。
AI产品智能体LangSmith调试工具
推荐理由：做 Agent 开发的团队终于不用手动翻日志了——LangSmith Engine 自动找故障、写修复、提评估建议，建议所有用 LangChain 的开发者直接试试。
原文
07:59
07:59
07:59
07:59官方账号LangChain@LangChainAI
精选
LangChain 团队的 Hunter Lovell 在 X 上发布了一篇关于解释器（interpreter）的详细解释。他深入探讨了解释器在 AI 应用中的角色，特别是如何通过解释器让语言模型执行代码、处理数据。这篇内容对理解 LangChain 生态中的工具使用和智能体设计很有帮助。
AI产品LangChain解释器智能体
推荐理由：LangChain 团队核心成员亲自拆解解释器机制，做 AI 智能体或工具链开发的开发者值得一看，能帮你更清楚如何让模型安全地执行代码。
原文
07:59
07:59
07:59
07:59
5月20日
05:05
05:05官方账号LangChain@LangChainAI
LangChain 指出通用智能体的评估不能仅靠单一测试集，需要区分基准评估和测试覆盖评估。基准评估包含约100个测试用例，覆盖常见场景，用于快速判断智能体是否正常工作。测试覆盖评估则包含多达500个以上用例，覆盖每个任务的多种用户提示和路径，确保全面性。由于全面评估成本高昂（每次可能数千美元），无法频繁运行，因此需要小规模基准集用于持续集成。该观点强调了通用智能体评估的复杂性，并暗示未来可能发布更详细的博客。
AI产品智能体评估/评测LangChain
推荐理由：做通用智能体开发的团队，评估策略往往被低估——LangChain 提出的两套测试集思路解决了成本与覆盖的平衡问题，建议直接参考这个框架来优化自己的评测流程。
原文
5月19日
13:36
12:17
12:17官方账号LangChain@LangChainAI
精选
LangChain 的 Ankush Gola 分享了构建 SmithDB 背后的技术细节，核心依赖两个开源项目：Apache DataFusion 和 Vortex。DataFusion 是一个基于 Rust 的可扩展查询引擎，团队为其定制了执行计划以适配工作负载和存储后端。Vortex 则是一个可扩展文件格式，支持为不同列自定义布局、编码和分块策略。这两个项目对于关注现代数据系统的开发者来说值得深入研究。
行业LangChainSmithDBDataFusion
事件专题
推荐理由：做数据系统或 AI 基础设施的开发者，可以从 SmithDB 的架构思路中直接学到如何用 DataFusion 和 Vortex 搭建高性能查询引擎，值得点开看看具体实现。
原文
12:16
12:16官方账号LangChain@LangChainAI
LangChain 在 Interrupt 大会上宣布了 Deep Agents 的重大更新。该更新旨在提升智能体的深度推理和复杂任务处理能力。具体改进包括更高效的规划、执行和反思循环，使智能体能够处理更复杂的多步骤任务。这一更新对于构建高级 AI 应用的开发者来说是一个重要进展，有望提升智能体的自主性和可靠性。
AI产品智能体LangChainDeep Agents
推荐理由：LangChain 的 Deep Agents 更新解决了智能体在复杂任务中深度推理不足的问题，做 AI 智能体开发的团队可以直接关注，看看新特性如何提升你的应用。
原文
00:38
5月16日
16:11
16:11Harrison Chase@hwchase17
LangChain 联合创始人 Harrison Chase 在 X 上分享了一个新项目：为 LLM Agent 构建类似 Dependabot 的故障自动修复系统。该项目利用 LangSmith Engine 作为“烟雾探测器”，并计划增加“自动喷淋系统”——即带人工审批的自动修复流程。整个流程分为四个阶段：分类（Classify）→ 补丁（Patch）→ 评估（Eval）→ 影子测试（Shadow）。这填补了 LLMOps 生态中一个真实空白，让 Agent 故障不再需要手动排查和修复。
AI产品LangChainLangSmithLLM Agent
推荐理由：LLM Agent 的故障排查和修复一直是运维痛点，这个方案让做 Agent 部署和运维的团队能像用 Dependabot 一样自动化处理问题，值得关注后续进展。
原文