标签
LangChain 在 Interrupt NYC 大会上介绍了 Managed Deep Agents，将 agent harness 与基础设施打包，简化了认证、记忆、渠道接入，并新增 web search 预置工具、Harbor 评估集成与 Parallel 工具集成，让团队专注于业务逻辑。
LangChain 分享 Snyk 如何将内部支持助手 Snyk Assist 打造为客户产品功能：基于 LangChain + LangGraph 构建，LangSmith 负责可观测性与评估，已处理 6 万次查询、85% 会话无需人工工单解决。
LangChain 展示了一款名为 Restock 的办公室耗材采购智能体应用，可在 Slack 中运行，支持查找商品、准备订单并通过 Stripe Link 代理钱包完成支付，且每笔订单都需人工批准。
LangChain 将在伦敦 Outernet 举办 Interrupt Agent Conference（2026年10月13日），OVO Energy 等企业将分享如何构建飞轮来改进客服 AI 智能体。
LangChain 发布 Managed Deep Agents v0.9，新增 Schedules SDK，让智能体可以自行创建提醒和定时任务；支持针对每次运行配置模型/技能/MCP 服务器/沙箱；还可通过 Slack 表情回应来标记运行开始。
LangChain 分享了 Sydney Runkle 的一段视频，讲解如何在编码智能体工具链中构建模型路由器，演示了如何通过将任务匹配到规模合适的模型，在不降低质量的前提下将成本削减 64%。
LangChain 宣布举办一场关于智能体运营模式的线上研讨会，探讨企业团队应如何规划职责归属、标准化、治理以及基础设施，以实现生产级 AI 智能体的规模化落地。
LangChain 宣布 p0 将赞助 Interrupt London，并带来网络基础设施的现场演示，助力 AI 实现搜索、数据提取、监控与推理。
LangChain 的 Managed Deep Agents 现已开箱支持用户级记忆，让智能体记忆可以限定到单个用户或整个团队，仅需一个文件即可完成配置，一条命令即可部署。
LangChain 介绍 Corridor，该公司使用 LangSmith 构建智能体安全评估、追踪推理流水线并管理记忆图谱，同时保护 AI 编码智能体在编写代码时的安全。Etsy、ElevenLabs、Lovable 和 Mercor 等公司的安全团队都在使用。
LangChain 官方发布的《Agents From Scratch》指南提供了一套可动手实践的四步路线图，用于构建具有长期记忆和人机协作能力的邮件 Agent，涵盖 LangGraph 工作流、LLM-as-Judge 测试、human-in-the-loop 确认以及 LangGraph Store 记忆集成，并附带 Notebook 和源代码。
LangChain 分享了一份在 Agent 框架内部构建模型路由器的实用指南，涵盖任务理解、模型选择和结果跟踪，声称在不损失质量的情况下将每条会话的中位成本降低了 64%。
LangChain 分享了他们如何在其智能体运行时（agent harness）内部为开源编码智能体 Open SWE 构建模型路由器：将不需要前沿智能水平的任务路由到更便宜的模型，在无可测量的质量变化的情况下，将每条对话线程的中位成本降低了 64%。
LangChain 发布 LangSmith Fine-Tuning 和 smithtune CLI，让开发者可以直接把 Agent 的运行轨迹转换为微调数据，无需手动搭建训练流水线。
Sydney Runkle 介绍了 LangGraph 的一项新功能：带类型化响应模式（typed response schemas）的中断（interrupts），使人工响应在返回给智能体之前先经过验证，从而在 UI 中实现真实的响应表单，而不是原始的 JSON 输入。
LangChain 推出了 Engine，它通过读取 traces 和代码仓库来了解你的 Agent 的工作原理，然后针对 Agent 特有的薄弱环节进行测试，例如幻觉和系统提示词违规，并返回一份已验证的问题清单，供你在这些问题影响用户之前加以修复。
LangChain 为 Managed Deep Agents 引入了新的终端界面，允许开发者通过 `mda chat` 命令在本地测试代理，以进行轻量级开发。
LangChain 与 Box 宣布达成合作，此次集成将智能体编排与受控内容管理相结合，可在单一工作流中实现结构化数据提取、可审计逻辑以及人类审批流程。
LangChain将举办一场关于生命科学智能体工程的研讨会，专注于创建准确、可观察且可靠的研究工作流程。
开源维护者通过专注于问题讨论和共同撰写来适应AI生成的贡献，同时LangChain概述了一个分层的代理框架，包括LangGraph和Deep Agents，用于复杂的自主任务。