标签
LangChain 宣布在 LangSmith 中推出 AI 搜索功能,允许用户通过对话方式搜索追踪数据,快速找到如用户挫败感或 Agent 失败等答案,无需手动审阅数小时的数据。
用户转发并评论了 LangChain 在 Interrupt 大会上宣布的 LangSmith AI Search 功能,认为用自然语言搜索追踪记录能大幅节省团队排查智能体故障的时间。
LangChain 活动演讲公布:来自 monday.com 的 @dorco8 将介绍如何利用 LangSmith 追踪记录构建在线和离线 LLM 评估流水线,@hwchase17 将介绍如何构建随时间不断改进的智能体。
LangChain 于 Interrupt 大会举办 Agent Arena 活动,由 NVIDIA 赞助:参与者可通过玩俄罗斯方块训练智能体、用 LangSmith LLM Gateway 选择模型,并在排行榜上观看智能体对竞争霸。
LangChain 发布大会午间议程:涵盖 OVO Energy 如何构建安全的客户支持智能体、Ben Tannyhill 介绍 LangSmith Engine 的开发,以及 Jimdo 如何用 LangSmith 为小企业打造 AI 助手。
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。
LangSmith 发布上月模型使用信号报告:Claude Sonnet 5 的采用率从第9升至第2,使用它的组织增加51%;GPT 5.6 Luna 在调用量上跃居第一,调用量增长65%;两个开源权重模型进入采用率前十,且小而快的模型主导调用规模。
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。
ZipHQ 基于 LangGraph + LangSmith 重建了他们的智能体,缩短了新功能的开发时间,并在无需编写任何代码的情况下,获得了对 LLM 调用、存储和上下文的自动追踪能力。
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 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。
LangChain 发布了关于将 AI 智能体从孤立实验扩展到企业生产环境的新指南,汇集了 Schneider Electric、Vodafone 和 monday.com 在共享智能体平台、LLMOps、可观测性、多智能体架构、安全与数据驻留等方面的经验教训。
@wonder正在构建一个AI智能助手,自动化膳食规划与配送,集成LangSmith进行调试和评分,使用LLM-as-judge方法。
LangSmith 推出了自定义应用,现已全面可用,允许用户在平台上为他们的代理数据构建和发布自定义界面,以增强标注和实验比较等工作流程。
LangChain 在 LangSmith 中引入 Trajectories,这是一种按时间顺序查看代理会话的视图,通过聚合来自人类、AI 和工具的消息来简化调试,以便更容易地导航和分析。
LangChain 在推文中推广了用于 LangSmith Engine 的 Agent Claw Play,邀请用户试用这款交互式开发工具。
LangChain 宣布 LangSmith Engine v2,新增红队测试和验证修复等功能,以主动识别和解决 AI 代理中的问题,避免影响生产环境。
LangChain 在主题演讲中宣布了 LangSmith 的新功能,包括用于红队测试的 LangSmith Engine v2、具有新认证和内存功能的 Managed Deep Agents v0.8、用于代理会话视图的 LangSmith Trajectories,以及 LangSmith Fine-Tuning。
LangChain宣布将于9月30日举办一场专注于在线评估的活动,展示如何使用LangSmith中的Tuned Evaluators自动分析AI代理交互并在生产环境中提供反馈。
LangSmith 现在支持决策模型,例如 Jev 和 SemIf,提供每一步的可见性,以帮助更快地调试和理解模型行为。