全部 AI 动态 · AI 热点

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 智能体评估

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

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 AI安全

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

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 成本优化

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

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 语音代理智能体

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 LangChain Deep Agents

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

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 LangChain agent

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 AX Agent开发工具

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

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 智能体评估生产部署

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

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 预算管理 API Key

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

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 子智能体产品更新

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

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 微调感知错误

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 部署教程

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

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 全栈开发部署教程

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 智能体追踪全文搜索数据库

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

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 全文搜索对象存储倒排索引

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

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 RAG 开源项目

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

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 智能体记忆

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

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 智能体开发工作流

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

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 智能体开发流程生命周期

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

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 智能体

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

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 解释器代码执行智能体

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 智能体工作流构建流程

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

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 智能体开发周期 Agent

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

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 智能体循环工程自我改进

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

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 智能体通用聊天专用代理

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 智能体论文

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

6月23日

23:33

LangChain@LangChainAI

欧盟AI法案生效后，合规将成为持续测量义务。LangSmith可将追踪转化为合规证据，其可定制评估器运行在生产流量上，针对偏见、幻觉、毒性、准确性和对抗性输入等EU AI Act要求进行评分。该工具支持实时监控，帮助企业自动生成合规报告。

AI产品 LangSmith LangChain EU AI Act AI合规模型评估

推荐理由：LangChain给LangSmith加了合规评估器，直接在生产数据上检测偏见、幻觉，符合EU AI Act要求，省心。

原文

22:09

LangChain@LangChainAI

精选76°

LangChain与Fireworks AI合作，微调阿里Qwen模型构建了trace judge，用于检测生产trace中的“感知错误”。该judge在性能上匹敌或超越前沿模型，同时运行成本降低100倍。相关研究成果已发表在LangChain Labs博客。

AI产品 LangChain Fireworks AI Qwen 微调 AI评估

推荐理由：LangChain搞了个低成本trace judge，用阿里Qwen微调，性能不输顶级模型还便宜100倍，做trace监控的可以看看。

原文

19:27

LangChain@LangChainAI

LangChain 将于 7 月 16 日在柏林举办线下 Meetup，由 DB Engineering & Consulting 和 Zalando 联合主办。活动免费开放，需通过提供的 RSVP 链接提前报名注册。这是 LangChain 社区在柏林的一次技术交流与 networking 机会，面向 AI 工程化实践者。

行业 LangChain DB Engineering Zalando 线下活动柏林

推荐理由：在柏林的朋友别错过，LangChain 联合 DB Engineering 和 Zalando 搞线下聚会，7 月 16 日免费报名，聊聊 AI 工程化实战。

原文

05:24

LangChain@LangChainAI

Patlytics 是一个专门为专利全生命周期设计的企业级法律AI平台。它使用LangSmith来编排从提示管理到工作流评估的端到端AI堆栈。该平台旨在提升专利流程的效率和质量。Patlytics 被LangSmith Spotlight 收录，展示了其在法律AI领域的应用。

AI产品 patlytics LangSmith LangChain 法律AI 专利生命周期

推荐理由：Patlytics 用 LangSmith 搭建了专利全流程 AI 平台，从提示到评估都管，法律行业可以看看。

原文

05:06

LangChain@LangChainAI

精选

Deep Agents v0.6 新增代码解释器，代理可在运行时调用工具。中间结果保留在模型上下文之外，仅传回相关输出。这减少了往返次数和 token 浪费。该版本由 LangChain 发布。

AI产品 Deep Agents LangChain 代码解释器智能体工具调用

推荐理由：Deep Agents v0.6 出代码解释器了！运行时调工具，中间结果不占上下文，省 token 还少跑几趟。看详情。

原文

03:03

LangChain@LangChainAI

LangChannel指出，随着智能体采用增长，团队需建立可重复的方法来安全、一致地构建多个生产级智能体。关键管理领域包括：成本与使用监控（✅ Cost and usage）、工具访问与审批（✅ Tool access and approvals）、人机协作工作流（✅ Human-in-the-loop workflows）、提示词/技能/上下文版本控制（✅ Prompt, skill, and context versioning）、跨团队可复用资产（✅ Reusable assets across teams）、以及生产智能体的监控与评估（✅ Monitoring and evals across production agents）。这些实践旨在解决规模部署时的一致性与可靠性问题。

技巧 LangChain 智能体 MCP/工具生产环境人机协作

推荐理由：LangChain总结了团队构建多个智能体的核心痛点：成本、权限、版本控制、监控等，全是实战干货，适合正在做 Agent 上线的团队参考。

原文

02:26

LangChain@LangChainAI

LangChain 宣布其通用开发者工具 dcode 现已支持 GLM 5.2 模型。用户可直接在 dcode 中运行该开源模型，无需额外配置。dcode 是提供商无关的工具，也兼容其他最新的开源模型。详情可查阅 LangChain 文档。

AI模型 GLM 5.2 dcode LangChain 开源模型

推荐理由：LangChain 出了个叫 dcode 的工具，现在能跑 GLM 5.2 模型了，而且是开源的，想尝鲜直接上手。

原文

00:55

LangChain@LangChainAI

LangChain 举办的 Interrupt 智能体会议所有 session 录像已上线，可通过 interrupt.langchain.com/recordings 观看。会议涵盖多智能体协作、工具使用等主题，涉及 LangGraph、LangSmith 等平台。目前该推文有 752 次查看和 1 次转发。

行业 LangChain Interrupt 智能体会议录像

推荐理由：LangChain 把 Interrupt 大会所有录像都放出来了，想学智能体开发的同学直接去看吧。

原文

00:50

LangChain@LangChainAI

精选

LangChain指出，AI代理执行沙箱需满足两个关键要求：启动速度接近无服务器函数（避免代理等待2分钟VM启动），以及具备完整机器状态（支持安装依赖、编辑文件和断点续传）。代理本质上是会话中的工作进程，而非无状态请求处理器。

技巧 LangChain 沙箱智能体无服务器函数

推荐理由：LangChain讲清楚了代理沙箱的设计关键——既要快得像无服务器函数，又要能像全功能机器一样保存状态。做AI代理的人该看看。

原文

6月22日

22:26

LangChain@LangChainAI

精选73°

LangSmith LLM Gateway 位于代理和LLM提供商之间。它强制实施支出上限，避免超支。在请求到达模型前自动编辑个人身份信息（PII），从源头阻止隐私泄露。该网关不是事后记录，而是提前阻断问题。更多细节可查看官方博客。

AI产品 LangSmith LLM Gateway LangChain 隐私保护成本控制

推荐理由：LangChain 推出了 LLM Gateway，能在调用前拦住超支和PII泄露，和事后记录完全不一样。

原文

14:25

向阳乔木@vista8

海立老师（Harry Zhang）开源了第三本关于LangChain生态的书籍《Deep Agents in Action》。该书目前已有8个章节，涵盖Agent Harness、规划、上下文工程、子智能体、Skills和记忆等核心主题。面向中文开发者社区，可免费获取学习。

技巧 LangChain Deep Agents in Action 海立 Agent开发智能体

推荐理由：想学LangChain Agent开发？海立老师开源了第三本书，8章讲规划、子智能体等，直接收藏学。

原文

6月21日

02:23

Harrison Chase@hwchase17

技巧 LangChain LangGraph RAG deepagents 智能体教程

推荐理由：这个课程10小时，手把手教LangChain和LangGraph，还讲了RAG和guardrails，想学智能体开发可以看看。

原文

6月20日

23:06

shao__meng@shao__meng

精选

LangChain官方认证大使@zhanghaili0610（也是「LangChain实战」「LangGraph实战」作者）开源了教程「Deep Agents 实战」。教程围绕Agent开发的“三层架构”：Runtime（LangGraph）、Framework（LangChain）、Harness（Deep Agents）。核心是“上下文工程”，Deep Agents引入虚拟文件系统（read_file/write_file等6大工具），支持任务规划（write_todos）、子Agent委派（异步并行）和Skills复用（兼容30+工具）。教程共8章加2准备篇，涵盖环境搭建、核心机制到进阶记忆。

技巧 Deep Agents LangChain LangGraph zhanghaili0610 智能体

推荐理由：Harry Zhang出了第三本实战教程，手把手教你怎么用LangChain和LangGraph搭Deep Agents，虚拟文件系统和Skills复用这些干货很实用。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？