LangChain 相关 AI 资讯

6月3日

02:32

Harrison Chase@hwchase17

验证器对于扩展评估和强化学习至关重要，但成本高昂。Harvey 团队与 LangChain 合作，探索如何降低验证器成本。该研究由 Vtrivedy10、jakebroekhuizen 等人主导，旨在解决验证器在规模化应用中的经济瓶颈。这项工作可能为 AI 评估和 RL 训练提供更经济的方案。

AI模型验证器评估强化学习

推荐理由：做 AI 评估或强化学习的团队，验证器成本一直是个头疼问题——Harvey 和 LangChain 的这项研究直接给出了降本思路，值得关注。

原文

01:20

官方账号LangChain@LangChainAI

LangChain 创始人 Harrison Chase 在 X 上发布视频，用 1 分钟解释了 Managed Deep Agents 的概念。Managed Deep Agents 是一种新型智能体架构，通过将深度推理与受控管理结合，提升复杂任务执行的可靠性和效率。该架构旨在解决传统智能体在长链推理中容易出错的问题，适合需要高精度决策的自动化场景。视频发布后引发社区关注，已有 7000 多次浏览。

AI产品智能体 LangChain 推理模型

推荐理由：LangChain 创始人亲自拆解 Managed Deep Agents 架构，做智能体开发的团队值得花 1 分钟理解这个新范式，能帮你避开长链推理的坑。

原文

00:40

官方账号LangChain@LangChainAI

LangChain 宣布推出 LangSmith Engine，旨在自动化智能体开发周期。该引擎能持续运行，无需手动触发，自动解决已知类型的问题，并随时间优化测试工具。这标志着智能体开发从手动向自动化的转变，有望大幅提升开发效率。对于使用 LangChain 构建智能体的开发者来说，这是一个值得关注的重要更新。

AI产品智能体 LangChain LangSmith Engine

推荐理由：LangSmith Engine 解决了智能体开发中手动迭代的痛点，做智能体开发的团队可以直接用它来减少人工干预，建议关注。

原文

6月2日

10:44

官方账号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

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。

原文

10:44

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith Engine，用于自动排查 AI Agent 的失败原因。该工具能替代手动调试流程，快速定位问题根源，提升开发效率。对于依赖 Agent 的团队，这能显著减少故障排查时间。目前已在 Twitter 上获得关注，适合 AI 应用开发者试用。

AI产品智能体调试工具 LangChain

推荐理由：做 Agent 开发的团队终于可以告别手动排查故障的繁琐流程，LangSmith Engine 能自动定位问题，建议直接集成到工作流中试试。

原文

10:41

官方账号LangChain@LangChainAI

LangChain 创始人 @hwchase17 在推文中分享了智能体开发的生命周期模型，强调从构建、测试、部署到监控的完整闭环。该模型旨在帮助开发者系统化地管理智能体应用，避免常见的碎片化开发问题。LangChain 博客详细阐述了每个阶段的关键实践和工具支持，为智能体开发者提供了可参考的工程化框架。

AI产品智能体开发生命周期 LangChain

事件专题

推荐理由：做智能体应用的团队终于有了可落地的工程化框架——从构建到监控的闭环能帮你避免碎片化开发，LangChain 创始人亲自拆解，做 AI Agent 的开发者值得点开看看。

原文

10:38

官方账号LangChain@LangChainAI

LangChain 发布了 LangSmith LLM Gateway 的快速入门指南，只需三步即可完成配置：将代理指向 Gateway 端点并带上 LangSmith API 密钥、在 workspace 密钥中添加供应商 API 密钥、在 LangSmith UI 中设置策略。该网关旨在简化 LLM 调用的管理和安全策略实施，让开发者能够快速集成多种模型提供商。对于使用 LangChain 构建 AI 应用的团队，这是一个低门槛的集中式 LLM 访问控制方案。

AI产品 LangSmith LLM Gateway API管理

推荐理由：LangSmith 用户终于有了统一的 LLM 访问入口，做多模型调用的团队可以直接用这个网关管理密钥和策略，省去自己搭建中间层的麻烦。

原文

10:19

官方账号LangChain@LangChainAI

LangChain 将于 6 月 17 日在慕尼黑举办技术圆桌会议，由 Steffen Hausmann 主持，聚焦生产级智能体、智能体框架以及开源 Deep Agents SDK。活动旨在探讨如何构建可靠、可扩展的智能体应用，并分享实际落地经验。参与者将有机会与专家深入交流，了解最新工具和最佳实践。注册链接已开放。

行业智能体 LangChain Deep Agents SDK

推荐理由：做智能体应用落地的开发者别错过——LangChain 团队亲自拆解生产级智能体架构和开源 Deep Agents SDK，现场还能直接交流踩坑经验，建议在慕尼黑或附近的朋友报名。

原文

10:09

官方账号LangChain@LangChainAI

LangChain 展示了一个金融 AI 代理，它利用 LangSmith 记录从查询到最终报告的每一步决策过程。该代理通过 Deep Agents 协调研究层，确保每个中间结果都可追溯。LangSmith 捕获了所有查询、响应和中间结果，使得最终结论的生成路径完全透明。这对于金融等需要严格合规和审计的行业至关重要，因为解释结论如何得出与结论本身同等重要。该方案解决了 AI 在金融领域应用中的可解释性和可审计性痛点。

AI产品 LangChain LangSmith 金融AI

推荐理由：金融合规团队终于有了可审计的 AI 方案——LangSmith 让每个决策步骤都有据可查，做风控或审计的开发者可以直接参考这个架构。

原文

10:08

官方账号LangChain@LangChainAI

精选

LangChain 发布了一个 AI Agent 的技术拆解，该 Agent 被用于分析 2025 年欧盟 27 个成员国的 GDP 数据。文章详细展示了 Agent 的运行过程、架构设计以及实际表现。通过这个案例，开发者可以了解如何构建处理复杂结构化数据的智能体。该 Agent 在真实数据上进行了测试，结果具有参考价值。

AI产品智能体数据分析 LangChain

推荐理由：做数据分析和智能体开发的团队可以看看这个真实案例——LangChain 把 Agent 处理 27 国 GDP 数据的技术细节全公开了，从架构到运行结果都有，值得直接参考。

原文

10:06

官方账号LangChain@LangChainAI

LangSmith Engine 正式发布，用户可通过三个简单步骤快速上手：连接追踪项目、可选连接代码仓库、审查并合并改进。该引擎旨在提供主动式智能体工程师体验，帮助开发者更高效地管理和优化 AI 应用。LangSmith 是 LangChain 推出的可观测性平台，此次更新进一步降低了使用门槛。

AI产品 LangSmith 可观测性追踪

推荐理由：做 AI 应用开发的团队终于有了更丝滑的追踪工具——三步就能接入，省去繁琐配置，建议用 LangChain 的开发者直接试。

原文

10:06

官方账号LangChain@LangChainAI

LangChain 宣布 Fleet APAC 智能体在 LangSmith 的 APAC 实例中解锁了计算机使用能力。APAC 用户现在可以为 Fleet 智能体提供虚拟计算机访问权限，使其能够执行更复杂的任务。这一更新扩展了智能体的操作范围，从纯文本交互到实际控制计算机界面，提升了自动化潜力。对于亚太地区的开发者来说，这是一个重要的功能升级。

AI产品智能体计算机使用 LangChain

推荐理由：APAC 开发者终于可以在 LangSmith 中让智能体操作虚拟计算机了，做自动化工作流的团队可以直接用这个能力来模拟用户操作，建议试试看。

原文

10:06

Harrison Chase@hwchase17

LangChain 推出 LangSmith Engine，旨在自动处理智能体故障，减少手动排查工作。该工具通过引擎自动修复智能体运行中的问题，提升开发效率。对于构建复杂智能体的开发者来说，这能显著降低运维负担。LangSmith Engine 目前已在 LangChain 平台可用。

AI产品智能体 LangChain LangSmith Engine

推荐理由：做智能体开发的团队终于可以告别手动排查故障了——LangSmith Engine 自动修复机制能直接减少运维时间，建议试试。

原文

10:05

Harrison Chase@hwchase17

精选

LangChain 联合创始人 Harrison Chase 在推文中分享了 DeepAgents 的全面概述，包括其定义、在复杂任务上的优势以及如何快速投入生产。Sydney Runkle 通过视频详细介绍了 DeepAgents 的核心概念、使其擅长复杂任务的关键设计，以及轻松将其部署到生产环境的方法。该内容对希望构建和部署高级 AI 代理的开发者具有重要参考价值。

AI产品 DeepAgents 智能体生产部署

推荐理由：想了解如何构建能处理复杂任务的 AI 代理并快速上线？这个概述直接点出了 DeepAgents 的核心优势和生产路径，做智能体开发的团队值得一看。

原文

10:02

Harrison Chase@hwchase17

精选

Rippling 在 6 个月内成功构建并推出了 RipplingAI，服务于数百万用户。该 AI 平台基于 LangChain 的 Deep Agents 和 LangSmith 构建。这一案例展示了如何利用现有 AI 框架快速规模化部署智能体应用。对于希望快速落地 AI 产品的团队具有重要参考价值。

行业 LangChain RipplingAI 智能体

推荐理由：Rippling 的案例展示了如何用 LangChain 在 6 个月内从零到百万用户，做企业级 AI 产品的团队值得学习其架构和落地路径。

原文

09:55

官方账号LangChain@LangChainAI

精选

LangChain 发布了 Managed Deep Agents，该工具保留了开发者熟悉的项目结构（AGENTS.md、skills/、subagents/ 和 tools.json），同时引入了 Context Hub 功能。Context Hub 为智能体提供了一个托管环境，使其能够在不同会话间保留和更新上下文，从而让智能体的定义随时间演进。这解决了智能体长期运行中上下文丢失的问题，提升了开发效率和智能体的连续性。

AI产品 LangChain 智能体上下文管理

推荐理由：LangChain 的 Managed Deep Agents 解决了智能体跨会话上下文丢失的痛点，做多轮对话或长期任务编排的开发者可以直接用上，保持项目结构不变，上手成本低。

原文

09:55

官方账号LangChain@LangChainAI

精选

LangChain 的 MukilLoganathan 在 Interrupt 大会上发表了关于沙箱（Sandboxes）的主题演讲。演讲在 20 分钟内展示了如何安全运行智能体代码，包括与运行时隔离、网络控制、持久化状态，以及在出错时进行快照和恢复。这对于需要部署 AI 智能体的开发者来说，是保障安全性和可靠性的关键实践。视频已在 YouTube 上线，值得相关从业者观看。

AI产品 LangChain 智能体沙箱

推荐理由：LangChain 官方教你如何安全运行智能体代码，做 AI 智能体部署的开发者可以直接看视频学习，20 分钟掌握沙箱隔离、网络控制和快照恢复等关键技巧。

原文

06:20

Richard Socher@RichardSocher

LangChain 联合 Deep Agents 和 You.com 的 Finance Research API，构建了一个宏观研究智能体，能够分析 GDP 数据、检测异常、调查行业层面的结构性和周期性驱动因素，并生成结构化、带引用的简报。该智能体在竞争激烈的基准测试中取得了显著提升，展示了高质量数据对 AI 金融应用的重要性。这一进展表明，金融领域 AI 智能体的能力正从简单问答向复杂分析演进。

AI产品金融智能体 LangChain 宏观研究

推荐理由：金融从业者和 AI 开发者终于看到智能体在真实场景中的突破——这个宏观研究代理能自动完成 GDP 分析、异常检测和结构化报告，做量化分析或金融研究的团队可以直接参考其架构。

原文

03:44

官方账号LangChain@LangChainAI

精选

Rippling AI 基于 LangChain 的 Deep Agents 和 LangSmith 平台构建其 AI 系统，在 6 个月内成功将产品交付给数百万用户。Deep Agents 提供了强大的智能体能力，而 LangSmith 则用于监控和优化 AI 工作流。这一案例展示了如何利用现有工具快速扩展 AI 应用，对需要大规模部署 AI 的团队具有重要参考价值。

行业智能体 LangChain Rippling

推荐理由：Rippling 用 LangChain 生态在半年内跑通百万级用户场景，做 AI 产品落地的团队值得看他们怎么选型、怎么踩坑。

原文

5月31日

08:51

AI Notkilleveryone@ai_zona

83°

一位开发者构建 AI 代理市场后发现，当前主流框架（如 LangChain、CrewAI、AutoGPT）仅能编排自己编写的代理，但缺乏验证第三方代理可靠性、安全性和成本透明度的基础设施。信任问题成为代理间协作的核心障碍，市场需要新的信任机制。

行业 AI代理信任机制市场平台

推荐理由：做 AI 代理编排或市场平台的开发者会感同身受——信任缺失是当前生态的致命短板，值得深入思考如何构建代理间的信任层。

原文

5月30日

23:59

Harrison Chase@hwchase17

LangChain 宣布与 GEPA 集成，用户现在可以优化 LangChain 链的性能。GEPA 是一个用于优化 AI 工作流的工具，此次集成由开发者 @bryonkuchML 贡献的 PR 实现。该集成允许开发者通过 GEPA 的文档教程，轻松优化 LangChain 链，提升效率。这对于使用 LangChain 构建复杂 AI 应用的团队来说，是一个重要的性能优化手段。

AI产品 LangChain GEPA 性能优化

推荐理由：LangChain 用户现在可以直接用 GEPA 优化链性能，省去手动调优的麻烦，做 AI 工作流的开发者值得一试。

原文

12:11

Harrison Chase@hwchase17

LangChain 发布了 Agent Builder 功能，允许用户通过日常语言在 LangSmith Fleet 中创建智能体。该工具旨在实现无代码智能体构建，适用于实际工作场景。同时，LangChain 提供了免费的 LangChain Academy 课程，帮助用户快速上手。这一举措降低了智能体开发的门槛，让非技术人员也能参与 AI 应用构建。

AI产品智能体无代码 LangChain

推荐理由：LangChain 的 Agent Builder 让非开发者也能用自然语言创建智能体，做自动化流程的团队可以直接上手试试，省去写代码的麻烦。

原文

12:07

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith Fleet，允许用户使用日常语言创建智能体，无需编写代码。该工具旨在让非技术用户也能构建实用的智能体，用于实际工作场景。同时，LangChain 提供了免费的 LangChain Academy 课程，帮助用户快速上手。这降低了智能体开发的门槛，让更多人能够利用 AI 自动化任务。

AI产品智能体 LangChain 无代码

推荐理由：LangSmith Fleet 让非开发者也能用自然语言创建智能体，适合业务人员或想快速验证智能体想法的团队，建议直接试试免费课程。

原文

11:51

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith Engine，能够自动完成智能体性能优化的循环：读取追踪、发现模式、编写评估并生成修复。传统方式需要开发者手动分析日志和编写评估，效率低下。LangSmith Engine 将这一流程自动化，大幅提升智能体迭代速度。对于构建复杂智能体应用的团队，这意味着更快的调试和更稳定的生产环境。

AI产品智能体 LangSmith 自动化优化

推荐理由：做智能体开发的团队终于可以告别手动翻日志的苦活——LangSmith Engine 自动跑完优化循环，建议直接试试。

原文

11:50

Harrison Chase@hwchase17

LangChain 的 LangSmith Signal 最新数据显示，开源模型正在经历爆发式增长。2026 年 4 月，已有 1/3 的 AI 团队运行过开源权重模型，而九个月前这一比例仅为 1/5。使用开源权重的团队总数增长了 3 倍。新用户选择开源模型的比率高于早期用户。这表明开源模型正从边缘走向主流，成为越来越多 AI 团队的首选。

行业开源模型 LangChain AI 团队

推荐理由：开源模型的使用率翻倍增长，做 AI 应用或模型选型的团队值得关注这个趋势——新用户更倾向开源，意味着生态正在加速成熟。

原文

11:42

官方账号LangChain@LangChainAI

LangChain 在推文中引用 Cogent Security 联合创始人兼 CTO Geng Sng 的观点，提出将智能体架构类比为神经系统的思考方式。这一比喻强调智能体各部分之间的协调与信息传递，类似于生物神经系统的反射弧和中枢处理。该观点在 Max Agency 播客中详细阐述，旨在帮助开发者更直观地理解复杂智能体系统的设计原则。对于正在构建多智能体或复杂工作流的团队，这一视角可能带来架构设计上的启发。

AI产品智能体架构设计 LangChain

推荐理由：用神经系统类比智能体架构，能帮开发者跳出传统模块化思维，做复杂工作流设计的团队值得一听这个播客。

原文

11:28

Harrison Chase@hwchase17

LangChain 创始人 Harrison Chase 在 X 上发文指出 LLM 支出正变得非常高，并介绍了 LangChain 的 LLM Gateway 功能，核心是支出可见性和支出控制。该网关可在请求到达模型前强制执行支出限制并脱敏 PII，而非事后处理。目前开放私测注册，旨在帮助团队有效管理 AI 成本。

AI产品 LangChain LLM Gateway 支出控制

事件专题

推荐理由：LLM 成本飙升是每个 AI 团队的痛点，LangChain 的网关在请求前就拦截超支和敏感数据泄露，比事后补救更实用。做 AI 应用开发或运维的团队，值得立即申请私测体验。

原文

00:03

官方账号LangChain@LangChainAI

LangChain 在 Interrupt 主题演讲中推出了 Managed Deep Agents，由 Sydney Runkle 和 Victor Moreira 进行了 20 分钟的详细演示。该产品旨在简化深度智能体的部署与管理，降低开发门槛。演讲展示了如何通过托管服务快速构建和运行复杂智能体工作流。对于希望快速集成 AI 智能体的团队来说，这是一个值得关注的工具。

AI产品智能体 LangChain 托管服务

推荐理由：LangChain 把深度智能体的部署门槛降低了，做 AI 应用开发的团队可以直接用托管服务省去运维烦恼，建议点开看看 20 分钟演示。

原文

5月29日

22:30

Harrison Chase@hwchase17

LangChain 发布 Deep Agents v0.6，将“Harness Profiles”提升为一等抽象，允许为不同模型定制提示和工具。这一更新解决了模型间性能差异问题，使开发者能以低于封闭前沿 API 20 倍以上的成本，从 Kimi、Qwen 和 DeepSeek 等模型获得生产级性能。LangChain 还提供了调优指南，帮助用户优化模型配置。

AI产品 LangChain Deep Agents Harness Profiles

推荐理由：做多模型 Agent 的团队终于不用为每个模型手写适配代码了——Harness Profiles 让不同模型自动获得最优提示和工具配置，成本直降 20 倍，建议直接看调优指南。

原文

22:06

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents v0.6，将 Harness Profiles 提升为一等抽象，使得开发者可以轻松配置和优化模型推理。新版本支持 Kimi、Qwen、DeepSeek 等开源模型，在保持生产级性能的同时，成本仅为闭源前沿 API 的 1/20 以下。这为需要高性价比 AI 代理的团队提供了更灵活的选择。

AI产品 LangChain Deep Agents Harness Profiles

推荐理由：做 AI 代理的团队终于可以低成本使用开源模型达到生产级性能，建议做推理优化的开发者直接试试 Harness Profiles 的调优功能。

原文

08:27

官方账号LangChain@LangChainAI

LangChain 被 Redpoint 列入 2026 年 InfraRed100 榜单，该榜单表彰云基础设施领域最具变革性的 100 家公司。这标志着 LangChain 在 AI 应用开发框架领域的影响力获得行业认可，尤其在其推动 LLM 应用落地和生态建设方面。入选该榜单意味着 LangChain 的技术和商业模式被认为对云基础设施的未来有重要影响。

行业 LangChain 云基础设施行业榜单

事件专题

推荐理由：做 AI 应用开发的团队值得关注——LangChain 入选 InfraRed100 说明其框架在云基础设施层面被顶级风投认可，意味着更稳定的生态和更多企业级支持，建议开发者持续跟进其最新动态。

原文

08:16

官方账号LangChain@LangChainAI

精选

LangChain 指出，评估（evals）会直接影响智能体系统的行为方向，但更多的评估并不等于更好的智能体。关键在于构建能够反映生产环境中期望行为的针对性评估。LangSmith Engine 等工具可以帮助用户从追踪数据中精准创建评估，从而构建更优秀的智能体。这一观点强调了评估质量而非数量的重要性。

AI产品智能体评估/Eval LangChain

推荐理由：做智能体开发的团队常陷入「堆 eval 数」的误区，LangChain 点明了评估的向量效应——选错评估方向反而会带偏系统行为。建议用 LangSmith Engine 从真实追踪数据中提炼针对性评估，比盲目加 eval 更有效。

原文

08:15

官方账号LangChain@LangChainAI

LangChain 发布了新课程《Intro to LangSmith Deployment》，教你如何将单用户桌面 Deep Agent 扩展到多租户、弹性基础设施上的生产级部署。课程涵盖从原型到规模化部署的关键步骤，适合希望将 AI 智能体投入实际生产环境的开发者。该课程是 LangChain Academy 系列的一部分，旨在降低 AI 应用部署门槛。

AI产品 LangChain LangSmith 部署

推荐理由：做 AI 智能体部署的开发者终于有了官方指南——LangChain 手把手教你从单用户原型到多租户生产环境，建议直接学起来。

原文

08:11

官方账号LangChain@LangChainAI

精选

LangChain 发布了 Deep Agents v0.6，新增 ContextHubBackend 功能。该功能为驱动智能体行为的文件提供了一个版本化的存储空间，基于 LangSmith Context Hub 实现。它允许开发者从一次运行到下一次运行持续改进上下文，提升智能体的一致性和表现。这对于需要精细控制智能体行为的团队来说是一个实用更新。

AI产品智能体 LangChain LangSmith

推荐理由：做智能体开发的团队终于有了版本化的上下文管理工具，能避免每次调试都从头开始，建议用 LangChain 的开发者直接升级试试。

原文