全部 AI 动态 · AI 热点

6月27日

11:16

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。

6月25日

06:22

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。

6月24日

05:42

05:42

LangChain@LangChainAI

LangChain发布了与Pipecat AI集成的教程，17分钟演示如何将现有LangGraph agent转变为语音agent。同时LangSmith更新了语音轨迹功能，新增内联音频播放器，无需打开新标签即可查看语音回放。该教程适合已有LangGraph agent的开发者快速接入语音交互。

技巧 LangGraph Pipecat AI LangSmith 语音交互教程

推荐理由：想让你写的LangGraph agent开口说话？这篇17分钟教程直接用pipecat_ai搞定，还顺带教你怎么用LangSmith看语音回放。

6月21日

04:23

04:23

Harrison Chase@hwchase17

精选

Leve是一个文件系统优先的持久智能体框架，基于LangGraph构建。用户将智能体定义为文件目录结构，Leve编译该目录并运行智能体。该框架灵感来自Vercel的Eve项目，由@jit_infinity开发。

AI产品 Leve LangGraph 智能体框架文件系统

推荐理由：用目录描述智能体，Leve让LangGraph更直观。文件系统优先，持久运行，灵感来自Vercel的Eve。

02:23

02:23

Harrison Chase@hwchase17

一位开发者推荐了一个近10小时的agentic AI教程，内容覆盖LangChain、LangGraph、RAG、deepagents和guardrails等关键工具。该课程旨在帮助学习者构建和部署智能体系统。资源来自YouTube，适合初学者和进阶用户参考。

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。

6月20日

23:06

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。

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

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

14:11

14:11

Harrison Chase@hwchase17

精选

开发者 Saurabh 强调，Agent 必须有可观测性。他用 LangGraph 做编排，LangSmith 做追踪、评估和回归测试。如果无法解释 Agent 为何给出某个回答，那就只是 demo 而非架构。他建议通过 tracing 捕获 prompt 和工具调用的全部上下文。

技巧 LangGraph LangSmith Agent 可观测性智能体

推荐理由：如果你在用 LangGraph 做 agent，这招能帮你从 demo 变成可交付的系统——关键是 LangSmith 的 trace 和 eval。

6月15日

20:29

20:29

LangChain@LangChainAI

LangChain发布了对即将生效的《欧盟人工智能法案》（EU AI Act）的详细解读博客。该法案对高风险AI系统提出人类监督等要求。LangSmith和LangGraph提供了多种方案来满足人机协同（human-in-the-loop）需求。博客中分解了法案的关键条款和合规时间线。

行业 LangSmith LangGraph LangChain EU AI Act 人机协同

推荐理由：想了解EU AI Act对AI开发的影响？LangChain官方博客刚出了详细解读，还告诉你LangSmith和LangGraph怎么帮你合规。

6月13日

11:06

11:06

LangChain@LangChainAI

LangChain 在博客中详细介绍了构建 AI 应用的内部架构，包括如何使用 LangGraph 和 LangSmith 等工具。文章展示了从原型到生产的完整流程，涉及多个组件如代理、工具和状态管理。该架构支持多种模型集成，并提供了实际案例。

AI产品 LangChain LangGraph LangSmith 智能体编程助手

推荐理由：LangChain 教你搭 AI 应用架构

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

10:12

10:12

shao__meng@shao__meng

精选

Re-Ink 是 LandingAI 金融 AI Hackathon 冠军项目，针对再保险承保流程中文档处理耗时严重的痛点，构建了从 PDF/DOCX 条约文档到可审核合同记录的端到端自动化方案。行业数据显示，再保险承保人约 40% 时间用于行政工作，手动提取错误率超 6%，运营预算中约 14% 用于修复此类错误。Re-Ink 使用 LandingAI 的 Agentic Document Extraction (ADE) 作为文档智能核心，结合 FastAPI + React + PostgreSQL + LangGraph 栈，实现上下文感知的字段提取，无需正则或模板。关键设计是人机协同闭环：提取后人工审核，所有数据在 reviewer 确认前不持久化，审批后以单事务创建记录，任何校验失败均回滚。项目还包含两个 LangGraph Agent 用于入库前引导和审批后分析，支持 offline 模式便于自动化测试。

AI产品再保险文档提取人机协同 LandingAI LangGraph

推荐理由：再保险行业的文档处理痛点被量化到 40% 时间浪费和 14% 预算浪费，做保险科技或金融文档自动化的团队可以直接参考这个端到端方案，尤其是人机协同闭环的设计思路值得借鉴。

6月11日

22:43

22:43

LangChain@LangChainAI

LangChain 发布了一篇博客，深入介绍了如何以最快速度将 Deep Agent 部署到生产环境。文章分享了关键架构决策、工具链选择和最佳实践，帮助开发者避免常见陷阱。核心亮点包括如何利用 LangGraph 构建可靠的多步骤 Agent，以及如何通过监控和回滚机制确保生产稳定性。对于正在构建或计划部署 AI Agent 的团队来说，这是一份实用的实战指南。

AI产品 LangChain Deep Agent 生产部署 LangGraph AI Agent

推荐理由：LangChain 团队把生产级 Deep Agent 的部署经验浓缩成了一篇实战指南，做 Agent 落地的开发者直接拿来就能少踩坑，值得收藏。

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？

6月3日

08:29

08:29

LangChain@LangChainAI

Odessia Travel 正式公开上线，这是一款基于 AI 的旅行代理，用户只需一次对话即可完成整个旅行的规划和预订。团队利用 LangSmith 和 LangGraph 快速构建、编排并优化了高性能、低延迟的旅行体验。创始人 Francis Davidson 表示，Odessia 如同旅行女神，能一站式解决出行安排。该产品展示了 AI 在复杂任务自动化中的潜力，尤其适合需要高效规划行程的旅行者。

AI产品 AI旅行代理 LangSmith LangGraph 自动化规划 Odessia

推荐理由：Odessia 把旅行规划从多平台切换变成一次对话，做旅行产品、AI 应用或自动化流程的团队值得看看它的架构思路。

6月2日

10:44

10:44

LangChain@LangChainAI

精选

LangChain 推出了 Managed Deep Agents，这是一个托管式深度智能体服务，旨在简化复杂 AI 工作流的构建与部署。该服务基于 LangGraph 框架，支持多步骤推理、工具调用和状态管理，开发者无需自行管理基础设施。Managed Deep Agents 降低了构建高级智能体的门槛，适合需要快速集成 AI 自动化的团队。目前该服务处于早期阶段，LangChain 提供了详细文档和示例。

AI产品智能体 LangChain 托管服务 LangGraph 自动化

推荐理由：LangChain 把深度智能体的部署复杂度打包成了托管服务，做 AI 工作流的团队可以直接用，省去自己搭基础设施的麻烦。

5月28日

10:08

10:08

LangChain@LangChainAI

精选

Lyft 利用 LangGraph 和 LangSmith 将智能体开发周期从 6 个月缩短至数周，同时幻觉率降低 20%，AI 解决率提升 16%。这表明 LangChain 的工具链在加速企业级 AI 智能体落地方面效果显著。对于正在构建或优化 AI 客服、自动化流程的团队，这是一个值得参考的案例。

AI产品智能体 LangGraph LangSmith Lyft 开发效率

推荐理由：Lyft 的实践证明了 LangGraph 和 LangSmith 能大幅缩短智能体开发周期并提升质量，做 AI 客服或自动化流程的团队可以直接借鉴，建议点开看看具体怎么做到的。

5月27日

23:14

23:14

AI Notkilleveryone@ai_zona

本文对比了三个开源 AI 智能体 SDK：LangGraph（Python，基于图的编排，Apache 2.0）、CrewAI（Python，基于角色的团队，open-core）和 ADK（TypeScript，治理型团队，MIT）。LangGraph 和 CrewAI 擅长任务编排，而 ADK 额外提供了治理层，包括审批门、信用计量和信任评分。ADK 可通过 npm 安装，适合需要安全管控的团队。

行业智能体 SDK/框架开源/仓库 LangGraph CrewAI ADK

推荐理由：做 AI 智能体编排的开发者可以快速了解三个 SDK 的核心差异——ADK 的治理层解决了团队协作中的安全和信任问题，适合企业级应用，值得一试。

5月20日

10:29

10:29

arXiv cs.AI@Gioele Molinari, Florian Felten, Soheyl Massoudi, Mark Fuge

精选72°

EngiAI 是一个针对大型语言模型（LLM）在工程设计任务中应用的多智能体框架与基准套件。该基准包含三个评估维度：工作流基准（7种提示风格，涵盖直接工具使用、语义消歧、条件分支等）、检索增强生成（RAG）基准（通过门控评分隔离检索对参数选择的贡献）以及高性能计算（HPC）基准（评估SLURM集群上的端到端ML训练编排）。EngiAI 参考实现基于LangGraph，通过监督架构协调7个专业智能体，统一拓扑优化、文档检索、HPC作业编排和3D打印机控制。在Beams2D问题上，专有模型平均任务完成率达96-97%，而开源4B参数模型为55-78%，条件分支任务最具挑战性（Photonics2D上完成率降至20-53%）。RAG门控验证了检索增强评分接近完美（≈1.0），而无检索时接近零，HPC编排中一个模型100%完成所有步骤，另一个仅50%，揭示了多步骤指令遵循在长工作流中会退化。

论文多智能体系统工程设计基准测试 LangGraph RAG

推荐理由：做工程设计自动化或LLM多智能体系统的开发者，这个基准能帮你精准定位模型在条件分支、RAG和HPC编排上的短板，建议直接参考EngiAI框架来测试自己的方案。