LangChain 相关 AI 资讯 · AITOP

7月2日

00:50

Harrison Chase@hwchase17

GLM 5.2 正成为开发者日常编码的常用模型。通过 dcode 工具，用户可快速选择 GLM 5.2 并输入 API key 开始使用。该模型具有前沿性能且权重开放，LangChain 也展示了其集成方案。目前该推文已获得 12 个点赞和 1500+ 浏览。

推荐理由：LangChain 和 GLM 5.2 配合 dcode，几步就能用上开放权重的编码助手，性能还跟得上前沿。

原文

00:38

官方账号LangChain@LangChainAI

LangChain 的 Deep Agents 新增了递归语言模型（RLM）工作流功能。Sydney Runkle 用 6 分钟视频讲解其原理和用法。RLM 允许 Agent 在多个轮次中递归调用语言模型，提升复杂任务的表现。该功能已集成到 Deep Agents 的当前版本中。

AI产品 Deep Agents LangChain RLM

推荐理由：LangChain 给 Deep Agents 加了 RLM 工作流，能递归调用语言模型做更复杂的事。6 分钟视频讲得很清楚，可以看看。

原文

7月1日

23:50

Harrison Chase@hwchase17

精选

Matt Stockton在帖子中讨论了AI agent harness的透明度问题，认为私有harness增加了非确定性放大效应。他推荐在生产环境中使用LangChain DeepAgents作为轻量级harness，并指出自定义harness在控制、成本和模型灵活性上的优势。他本人用Claude Code和Codex做交互式编码，并开始用Pi构建自定义harness。他预测企业将加大对自定义harness的需求，成本是主要推动因素。

行业 LangChain DeepAgents 智能体

推荐理由：开发者分享实战心得：为什么该自己搭agent框架而不是用别人的黑盒，还点名了LangChain DeepAgents和Claude Code的用法对比。

原文

02:09

Harrison Chase@hwchase17

精选

本教程展示如何结合Gemini Live和deepagents子代理构建语音研究代理。Gemini Live提供低延迟、自然流畅的语音对话能力，而deepagents负责执行长时间运行的复杂任务。通过LangSmith实现全链路追踪与可观测性。该方法解决了语音代理中对话质量与可靠性的权衡问题。

技巧 Gemini Live deepagents LangChain

推荐理由：LangChain发了个教程，教你用Gemini Live做语音代理，把复杂任务丢给deepagents子代理，既能低延迟对话又能跑长时间任务，挺实用的。

原文

01:36

官方账号LangChain@LangChainAI

LangChain介绍语音智能体构建的两种方案：Gemini Live实现低延迟的自然对话，Sandwich架构提供更可靠的流程控制。他们结合Gemini Live、Deep Agents和LangSmith构建了一个语音研究智能体，具备完整追踪与可观测性。该方案同时优化了对话质量和长期研究任务的可靠性。

技巧 LangChain Gemini Live Deep Agents

推荐理由：LangChain教你如何混用Gemini Live和Sandwich架构，既做出流畅对话又保证任务可靠，实用技巧。

原文

01:00

Harrison Chase@hwchase17

LangChain团队通过强化代码解释器运行时，实现了在无完整沙箱环境下安全运行Agent代码。该方法减少了资源开销，同时保持安全隔离。具体优化包括权限控制、资源限制和网络隔离。适用于需要快速迭代Agent逻辑的场景。

技巧 Agent Code Interpreter LangChain

推荐理由：LangChain创始人教你用轻量级方案跑Agent代码，不用开重型沙箱，省资源还安全。

原文

00:33

Harrison Chase@hwchase17

harbor是一个用于评估长时间运行、有状态智能体的框架。它正在成为行业标准，支撑着terminal bench 2等基准测试。LangChain已将harbor深度集成到LangSmith、Sandboxes和Deep Agents中。这有助于开发者更高效地评测智能体性能。

AI产品 harbor LangChain LangSmith

推荐理由：想给长时间运行的有状态智能体做评测？用harbor吧，已经是行业标准，LangChain全家桶都深度集成了，省心。

原文

00:24

官方账号LangChain@LangChainAI

精选

LangChain 团队指出，赋予 AI Agent 直接编写代码的能力能让其能力显著提升，但同时也使安全防护变得更加困难。该团队在今年花费大量时间研究如何同时实现这两点。他们分享了一些关于在 Agent 中安全地支持代码执行的经验和策略。具体内容在 langchain.com 的博客中详细展开。

行业 LangChain Agent 代码执行

推荐理由：LangChain 团队总结了一年经验：给 Agent 写代码能力很牛但安全坑多，值得搞 Agent 的人看一眼。

原文

6月30日

15:36

Harrison Chase@hwchase17

LangChain创始人Harrison Chase宣布面向早期合作伙伴推出Trace Judge模型。该模型用于检测智能体轨迹中的错误，成本仅为闭源模型的1/100。目前可通过Airtable表单申请早期访问权限。

AI模型 LangChain Trace Judge 智能体

推荐理由：LangChain新出Trace Judge，专门抓AI智能体运行中的错误，成本比闭源模型便宜100倍，现在能申请内测了。

原文

13:12

官方账号LangChain@LangChainAI

LangChain在aiDotEngineer World's Fair设展位U-G19，欢迎参会者前来交流。团队专注于讨论agent在生产环境中的应用、评估设置以及最新产品进展。推文邀请开发者现场连接，了解其近期发布的功能。

行业 LangChain aiDotEngineer 智能体

推荐理由：LangChain在U-G19等你，聊聊agent上线和评估的事，现场直接问。

原文

12:37

官方账号LangChain@LangChainAI

LangChain 的 LangSmith Fleet 允许用户在 General Purpose Chat 中处理临时任务，系统自动记录工作流。当任务重复出现时，Fleet 可将其转化为带有指令、工具、触发器和记忆的 Specialized Agent，无需从头配置。这简化了从临时任务到永久 Agent 的迁移过程。

技巧 LangSmith Fleet LangChain

推荐理由：临时任务做多了？LangSmith Fleet 能帮你自动转成专用Agent，省掉空白配置的麻烦。

原文

12:33

官方账号LangChain@LangChainAI

精选

大多数智能体在对话结束后评分，通过/失败或解决/放弃。GetCandidly 开发了一个新模型，能在对话进行中实时读取并引导走向解决。该模型改变了智能体的评估方式，旨在提升对话解决效率。目前通过 LangChain 博客公开。

AI产品 GetCandidly LangChain 实时引导

推荐理由：别等智能体最后打分才调整，GetCandidly 搞了个实时引导模型，边聊边纠正，挺实用。

原文

12:27

官方账号NVIDIA AI@NVIDIAAI

NVIDIA 宣布其 Nemotron 模型与 LangChain 集成，覆盖从推理到编排的智能体工作流。开发者可在开放栈上自定义、调优和部署模型。该集成面向生产环境，基于 LangChain 框架实现灵活编排。Nemotron 是 NVIDIA 的前沿智能体性能模型，支持多种部署方式。

AI产品 NVIDIA Nemotron LangChain

事件专题

推荐理由：NVIDIA的Nemotron现在接入了LangChain，你可以按需调优和部署智能体，不受厂商锁定，适合做定制化AI代理。

原文

6月29日

02:45

Harrison Chase@hwchase17

LangChain宣布推出DeepAgents Harness，作为测试智能体行为的框架（harness）。同时提供LangSmith Sandboxes用于安全隔离的执行环境，以及面向LLM输出的评估（Eval）功能。这些组件集成主流模型提供商，并通过LangSmith Engine驱动“模型-测试-沙箱-评估”闭环。该方案旨在帮助企业基于自身领域知识和客户工作流，自主构建和优化智能体系统。

AI产品 LangChain DeepAgents LangSmith

推荐理由：LangChain把智能体测试、沙箱和评估整合到一起了，企业可以自己掌控从模型选择到部署的全流程，不用再拼凑各种工具。

原文

6月27日

13:21

官方账号LangChain@LangChainAI

LangChain与Chime合作发布指南，指导金融服务团队如何利用更强的监督机制构建生产级AI智能体。该指南涵盖LangChain框架的使用，强调可观测性、合规性和风险控制。指南提供具体步骤，帮助团队实现更可靠的AI部署。

技巧 LangChain Chime 智能体

推荐理由：LangChain出了个新指南，专门讲金融服务怎么搞生产级智能体，还加了更强监督。做金融AI的可以看看，省了自己踩坑。

原文

13:20

官方账号LangChain@LangChainAI

Alex Olsen 加入 LangChain 团队后发表首篇文章，详解 Deep Agents 如何利用 prompt caching 技术减少 API 调用次数。该方案通过缓存重复提示词，最高可降低 50% 的 API 成本。文章提供了具体实现步骤和代码示例，帮助开发者快速集成。

技巧 LangChain Deep Agents prompt caching

推荐理由：LangChain 新成员 Alex 手把手教你给 Deep Agents 加缓存，省下一半 API 钱，实用技巧别错过。

原文

13:01

官方账号LangChain@LangChainAI

精选

SierraPlatform的ZackRW在Max Agency播客中分享了一个关键洞察：在真实对话中，决定何时说话所需的脑力与决定说什么相当。传统语音代理并未以此方式构建。Sierra的突破是并行处理思考、倾听和说话，模拟人类对话的自然方式。这一理念来自Sierra的语音代理产品设计。

行业 LangChain SierraPlatform 语音代理

推荐理由：Sierra的语音代理模仿人类并行处理对话，不是简单轮流说话，值得做语音产品的朋友看看。

原文

12:51

Harrison Chase@hwchase17

Vercel Developers 发布了 AI SDK Harness API 的更新，新增对 OpenCode 和 LangChain Deep Agents 的支持。该 API 通过统一的 HarnessAgent 接口，允许开发者在不同运行时之间切换而无需修改代码。这一更新简化了多智能体系统的集成和部署流程。开发者现在可以同时利用两个平台的高级智能体能力。

AI产品 Vercel Harness API OpenCode

推荐理由：Vercel 的 Harness API 现在能一个接口同时跑 OpenCode 和 LangChain 的深度智能体，不用改代码，太方便了。

原文

12:06

官方账号LangChain@LangChainAI

LangChain的Brace Sproul和Jake Broekhuizen在视频中比较了构建agent时使用MCP（Model Context Protocol）与CLI（命令行接口）的优缺点。MCP提供了标准化上下文传递，适合多步骤复杂agent任务；CLI更轻量直接，适合简单工具调用。视频通过实际案例演示了两种方式的适用场景和取舍。

技巧智能体 MCP CLI

推荐理由：LangChain的两位专家亲讲MCP和CLI在agent开发中的实战对比，帮你选对工具写代码。

原文

11:16

Harrison Chase@hwchase17

Mika Sagindyk在Arena上发布AI Agent框架体验（AX）排名，基于AI Agent自主使用开发工具的难易程度评估。截至06/26，排名为：1. LangChain的LangGraph，2. Vercel AI SDK，3. CrewAI，4. Mastra。该评测强调AI Agent正成为文档和API的主要消费者，AX是DX的自然演进。

行业 LangGraph LangChain AI Agent

推荐理由：LangGraph被AI Agent自己评为最好用的框架，全自动评测没水分。想选Agent开发工具先看这个榜。

原文

6月26日

23:57

官方账号LangChain@LangChainAI

LangChain 将于6月29日至7月2日在旧金山 AI Engineer World's Fair 设展台（U-G19）。团队将现场交流生产环境中智能体工作流及评估设置。欢迎参会者前往探讨实际部署与评测方案。

行业 LangChain AI Engineer World's Fair 智能体

推荐理由：LangChain 团队在旧金山 AI Fair 设摊，聊聊智能体生产部署和评估，想去交流的记得去 U-G19 找他们。

原文

23:18

官方账号LangChain@LangChainAI

精选

LangChain 在内部测试 LangSmith LLM Gateway 后正式发布。该网关支持实时支出监控，无需等待月底即可了解花费。管理员可按组织、工作空间、用户或 API Key 设置预算。团队可以灵活使用编码代理，避免产生意外费用。相关博客详细介绍了内部测试经验。

AI产品 LangChain LangSmith LLM Gateway

推荐理由：LangChain 推出了 LLM Gateway，能按 API Key 设预算，实时看花了多少钱，团队用 coding agents 也不怕超支。

原文

05:30

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith 平台多项更新，包括为 Deep Agents 设计的 Rubrics（评分规则）以及编程式定义子智能体（programmatic subagents）的能力。新版本还增强了 LangSmith 的追踪与评估功能，支持用户更精细地控制和调试多智能体系统。这些更新已在上线版本中可用，开发者可直接在 LangSmith 界面中配置。

AI产品 LangSmith LangChain Deep Agents

推荐理由：LangChain 给 LangSmith 上了新活：Deep Agents 评分规则和可编程子智能体，调试多智能体更方便了，搞 Agent 开发的可以看看。

原文

04:52

官方账号LangChain@LangChainAI

LangChain与Fireworks AI合作，基于阿里巴巴Qwen模型微调了一个法官模型。该模型用于检测用户交互中的“感知错误”（Perceived Error）。具体微调方法和评估结果已在LangChain博客文章中发布。

AI模型 LangChain Fireworks AI Qwen

推荐理由：LangChain和Fireworks用Qwen搞了个裁判模型，专门抓对话里的感知错误，挺实用的，去博客看具体数据吧。

原文

04:03

Harrison Chase@hwchase17

精选

LangChain 发布了一个面向 JS 框架的 Agent 部署 cookbook，提供完整的全栈示例代码。内容覆盖 streaming UI、子 agent（subagents）、线程历史（thread history）以及生产环境持久化注意事项。该 cookbook 旨在帮助开发者将本地演示的 agent 快速部署到真实应用中。

技巧 LangChain JavaScript agent

推荐理由：想把 LangChain agent 从本地搬到线上？这份 cookbook 手把手教你用 JS 做全栈，连 streaming UI 和子 agent 都配好了。

原文

03:11

官方账号LangChain@LangChainAI

精选

LangChain JS 团队发布了 Agent 部署 Cookbook，包含全栈示例代码。这些示例展示了流式 UI、子代理、线程历史等功能，并附带生产环境持久化笔记。Cookbook 覆盖了多种常见 JS 框架，帮助开发者将本地 demo 的 Agent 真正部署到实际应用中。

技巧 LangChain Agent JavaScript

推荐理由：LangChain 出了个部署指南，教你用 JS 框架把 Agent 做成全栈应用，带流式 UI 和子代理，直接抄作业。

原文

01:51

Harrison Chase@hwchase17

精选73°

LangChain团队发布技术博客，详细介绍SmithDB的构建与运行。SmithDB是一个专门为agent traces设计的数据库，其所有持久数据存储在对象存储中。博客阐述了如何在这种存储上构建、压缩和查询全文搜索索引，并处理每个GET请求50–100ms的延迟。团队分享了在生产环境中运行SmithDB倒排索引（inverted index）的经验。

技巧 SmithDB LangChain 智能体追踪

推荐理由：LangChain团队手把手教你如何为agent traces造一个数据库，对象存储上做全文搜索还能压到50-100ms延迟，干货满满。

原文

01:26

官方账号LangChain@LangChainAI

LangChain 团队解决了在对象存储中构建全文搜索索引的挑战：每个 GET 请求耗时 50-100ms，且数据持久化在远程存储。他们介绍了 SmithDB 的倒排索引构造、压缩和查询方案，涉及批量写入、压缩策略以减少请求次数，以及针对高延迟的查询优化。这些方法在生产环境中已稳定运行。

技巧 LangChain SmithDB 全文搜索

推荐理由：LangChain 分享了怎么在对象存储上搞全文搜索，延迟 50-100ms 的情况下还能压出来倒排索引，挺实在的实战经验。

原文

6月25日

22:00

官方账号LangChain@LangChainAI

精选

LangChain 推文指出通用聊天适合一次性问答，答案出现即结束。专门智能体适合重复性、有固定形状的工作，使用相同工具和格式。智能体能记住线程可能遗忘的上下文，适合多次运行相同流程。

技巧 LangChain 智能体提示词工程

推荐理由：LangChain用一句话说清楚了选择原则：如果下次解释方式一样，就该用智能体，别放聊天里。

原文

06:22

Ate-a-Pi@svpino

精选

Lena开源了一个RAG助手，用于导航航空公司政策，包含完整源代码和视频讲解。该应用使用LangChain构建检索管道，LangGraph管理对话状态，通过pgvector在Postgres中存储嵌入。项目还使用Terraform部署基础设施，索引文档以将答案锚定在源文本上。开发者可以从中学习具体的工程决策和实现细节。

技巧 LangChain LangGraph pgvector

推荐理由：Lena把整个RAG应用的源码和讲解视频都开源了，用LangChain+LangGraph搭建，还用了pgvector和Terraform，想学RAG实战的可以直接拿走。

原文

01:31

官方账号LangChain@LangChainAI

精选

Jake Broekhuizen在12分钟视频中演示如何让智能体通过记忆更新来改进表现。他介绍使用LangSmith Engine发现运行问题，并将记忆写入Context Hub。这种方法能让智能体在多次运行之间持续优化，而非仅留下痕迹。适合需要在大规模部署中管理智能体记忆的开发者。

技巧 LangChain LangSmith 智能体

推荐理由：想知道怎么让智能体不反复犯同样的错？看LangChain这12分钟视频，教你用LangSmith Engine和Context Hub实现跨运行学习。

原文

00:48

官方账号LangChain@LangChainAI

精选

LangChain 创始人 Harrison Chase 将于6月24日举办网络研讨会“The Agent Development Lifecycle 101”，阐述构建可靠智能体的五步循环：构建、测试、部署、监控、改进。他强调了首次发布仅是开始，需要可重复的迭代流程来提升智能体性能。该研讨会面向所有构建智能体的团队，提供从工具、上下文、提示到评估的全流程指导。

技巧 LangChain Harrison Chase 智能体

推荐理由：Harrison Chase 亲自讲怎么从零搭出靠谱的AI智能体，5步循环+真实案例，做Agent的别错过。

原文

6月24日

06:21

官方账号LangChain@LangChainAI

LangChain指出多数团队已有追踪能力，但缺乏持续改进Agent的系统。他们提出的Agent开发生命周期包含四个阶段：构建、测试、部署和监控。该流程以工程师人力速度扩展，无法规模化。团队需用更自动化的方法来迭代优化Agent性能。

技巧 LangChain Agent 智能体

推荐理由：LangChain总结了一套开发AI Agent的标准流程，帮你解决“只追踪不改进”的痛点，从构建到监控闭环。

原文

06:21

官方账号LangChain@LangChainAI

LangChain 推出了 LangSmith Engine，一个专门用于改进其他 AI Agent 的智能体。该引擎能从追踪数据中识别问题、聚类模式、自动起草修复方案，并提出评估建议以防止回归。它直接对接 LangSmith 的 tracing 项目，帮助开发者持续优化 agent 表现。

AI产品 LangSmith LangChain Agent

推荐理由：LangChain 出了新工具 Engine，能自动抓你 agent 的 bug、修 bug 还加测试，省心又省力。

原文

04:18

官方账号LangChain@LangChainAI

精选

LangChain团队发布博客，介绍Deep Agents中的解释器功能。该方法在智能体循环内嵌入小型运行时，允许智能体动态编写和运行代码。这增强了智能体的灵活性和自主执行能力。博客由团队成员Hunt Lovell撰写，详细解释了实现原理。

AI产品 LangChain Deep Agents 解释器

推荐理由：LangChain教你让智能体自己写代码执行，比传统工具调用更灵活，适合复杂任务。

原文

02:26

Harrison Chase@hwchase17

精选

Harrison Chase 指出，发布第一版只是构建智能体工作的一小部分，更关键的是建立可重复的改进生命周期。该流程包括 5 步：1）Build——搭配 agent、tools、context、prompts 和 workflows 构建可用原型；2）Test——使用 evals 评估 agent 行为是否正确，而非仅输出类似内容；3）Deploy——将 agent 部署到生产环境；4）Monitor——通过 traces 追踪 agent 实际调用的工具、使用的上下文和失败点；5）Improve——从真实使用中学习，优化 prompts、tools、evals 和 agent 本身。Chase 将在 6 月 24 日的“The Agent Development Lifecycle 101”网络研讨会中详细讲解。

技巧 LangChain Agent 智能体

事件专题

推荐理由：LangChain 创始人手把手教你如何迭代改进智能体，从构建到上线再到优化，全是实操干货，适合所有做 AI Agent 的团队。

原文

02:25

官方账号LangChain@LangChainAI

精选

LangChain联合创始人Harrison Chase在X上分享了构建可靠Agent的关键：发布第一个版本只是小部分工作，需要可重复的生命周期。该周期包括5个步骤：1) Build，构建Agent、工具、上下文、提示词和工作流；2) Test，使用eval确保Agent做正确的事；3) Deploy，将Agent部署到生产环境；4) Monitor，通过追踪查看Agent调用了什么工具、用了什么上下文、在哪失败；5) Improve，根据实际使用改进提示词、工具、eval和Agent。他将于6月24日在网络研讨会上详细讲解此生命周期。

技巧 LangChain Harrison Chase 智能体

推荐理由：看看LangChain创始人怎么说Agent开发全流程——不只是搭出来，还要测试、部署、监控、迭代。五个步骤讲清楚怎么做出靠谱的Agent。

原文

02:15

官方账号LangChain@LangChainAI

精选

LangChain 发布基于 Deep Agents 的循环工程方法，通过 self-harness 实现智能体自我改进。流程分三步：运行代理并观察失败（弱点挖掘）、提出 harness 改进方案、验证改进有效且无回归。论文见 arxiv.org/pdf/2606.09498，代码开源在 github.com/langchain-ai/d…。该方法可系统性提升 Agent 鲁棒性。

技巧 Deep Agents LangChain 智能体

推荐理由：LangChain 公布了一种让智能体自己找弱点并改进的循环方法，每一步都给了具体操作，想调优 Agent 的可以照着试试。

原文

01:36

官方账号LangChain@LangChainAI

LangSmith Fleet 提供了两种类型的 agent：General Purpose Chat 和 Specialized Agents。通用代理适合开放式对话，专用代理针对特定任务优化。LangChain 博客详细解释了这种设计是故意的，并给出了选择建议。

技巧 LangSmith LangChain 智能体

推荐理由：LangChain 发了新博客，讲他们 Fleet 的两种 agent 怎么选，通用聊天还是专用任务，挺实用的。

原文

00:54

Harrison Chase@hwchase17

精选

新论文提出Self-Harness方法，让智能体自动改进其harness。流程分三步：1/弱点挖掘，从执行轨迹中发现失败模式；2/harness提案，基于发现生成修改方案；3/提案验证，通过回归测试筛选有效提案。该方法基于DeepAgents框架，论文见arxiv.org/pdf/2606.09498。实验在多个基准上显示性能持续提升。

论文 Self-Harness DeepAgents LangChain

推荐理由：这篇论文让AI智能体自己学会改进工具链，三步流程从找问题到验证，基于DeepAgents框架，适合做Agent开发的人看看。

原文