LangChain 相关 AI 资讯

AITOP

6月24日

06:21

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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

官方账号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19日

02:22

官方账号LangChain@LangChainAI

LangChain 推出 Deep Agents 深度解析第四部分，核心主题是 steering 功能。该功能通过第一类 HITL（人在回路）原语，允许用户在 Agent 执行过程中实时介入和调整行为。与传统的自动化流程相比，steering 提供了更细粒度的控制，无需重新启动整个 Agent。此特性使开发者能灵活纠正方向或注入上下文，提升复杂任务的可靠性。

AI产品 LangChain Deep Agents Steering 人在回路智能体

推荐理由：LangChain 教你用 HITL 原语引导 Deep Agents，比硬编码指令灵活多了，跑偏了也能随时拽回来。

原文

00:19

官方账号LangChain@LangChainAI

LangSmith 推出 LLM Gateway，为 LLM 调用提供成本控制与安全防护。该网关可设定预算上限，防止智能体因循环或错误而消耗高达 1 万美元的 API 费用。它支持速率限制、密钥管理和实时监控，使开发者能安全部署智能体。

AI产品 LangSmith LLM Gateway LangChain 智能体成本控制

推荐理由：LangChain 出了个 LLM 网关，能设预算上限防止智能体烧钱，跑智能体再也不怕睡着后出事了。

原文

6月18日

23:40

官方账号LangChain@LangChainAI

LangChain发布一条教程，展示如何通过迭代循环将agent从首次运行优化到生产就绪。教程强调使用LangSmith进行观察和评估，以构建可靠的agent。内容包含具体步骤，帮助开发者逐步改进agent性能。LangSmith是LangChain推出的调试和评估平台，支持agent的追踪、测试和迭代。

技巧 LangSmith LangChain 智能体生产就绪

推荐理由：LangChain官方手把手教你用LangSmith一步步打磨agent，从跑起来到能上线，很实用。

原文

22:19

官方账号LangChain@LangChainAI

LangChain 在 X 上宣布推出 Managed Deep Agents，旨在解决 AI Agent 从构建到生产部署的痛点。该服务让团队可以专注于 Agent 行为逻辑，无需重复构建运行时基础设施。LangChain 认为构建有用 Agent 正变得更简单，但生产运行仍困难，Managed Deep Agents 正是为此设计。

AI产品 LangChain Agent 生产部署工具

推荐理由：LangChain 出了个新服务，帮你省掉自己搭Agent运行环境的麻烦，直接聚焦业务逻辑，适合做Agent应用的团队看看。

原文

16:04

官方一手Pandaily@contact@pandaily.com (Pandaily)

Andrew Ng在LangChain Interrupt活动中指出，未来企业将由10人工程团队主导，利用AI智能体驱动转型。他强调数据架构是成功的基础，而非模型本身。这一观点挑战了当前对大规模团队的依赖，突出了智能体在重构企业数据流中的关键作用。

行业 Andrew Ng LangChain AI Agent 智能体数据架构

推荐理由：Andrew Ng分享了未来10人团队用AI智能体重构企业的具体路径，核心是数据架构而非模型，值得所有做企业级AI的人听听。

原文

06:26

Harrison Chase@hwchase17

harbor是一个用于运行长时间、有状态智能体评估的框架，目前支撑Terminal Bench 2。LangSmith Sandboxes现已原生集成harbor，成为一等环境。用户只需安装harbor[langsmith]并设置LANGSMITH_API_KEY即可运行评估。该集成覆盖Daytona、E2B和Modal等沙箱环境。

AI产品 harbor LangSmith LangChain 智能体评估

推荐理由：LangChain老大强推harbor框架跑复杂智能体评估，现在直接集成LangSmith沙箱，一行代码搞定环境，省心。

原文

05:15

官方账号LangChain@LangChainAI

LangChain为Harbor添加了完整Dockerfile快照支持，可自动构建、缓存和复用任务环境快照。新增SDK profile支持，用户无需修改配置即可切换不同目标环境。同时实现了完整的exec/upload/download生命周期，使Harbor任务在不同沙箱提供商间行为一致。这些功能主要面向运行智能体评估的用户，相关文档已在docs.langchain.com/langsmith/sand…上线。

AI产品 LangChain Harbor Dockerfile 智能体沙箱环境

推荐理由：简单说，LangChain给Harbor加了三个实用功能，跑agent评估时能自动管理环境快照、切换配置，省去重复搭建的麻烦。

原文

03:54

官方账号LangChain@LangChainAI

LangChain实验室与Alibaba Qwen及FireworksAI合作发布一项研究，探讨如何从每条trace中高效提取重要信号，同时保持前沿性能。研究对比了不同方法在成本与效果上的权衡。报告指出，通过优化模型选择和推理策略，可在保持95%以上准确率的情况下将成本降低80%。该研究为大规模trace分析提供了实用方案。

论文 LangChain Alibaba Qwen FireworksAI trace分析成本优化

推荐理由：LangChain联合Qwen和FireworksAI出了个办法：从每条trace里低成本挖出关键信号，性能还不打折，适合做可观测性的团队看。

原文

03:53

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents 深度解析第三部分，聚焦 Delegation 委派功能。该工具让模型能自动规划复杂任务，并内置子智能体支持。来自 @SydneyRunkle 的 90 秒讲解视频详细演示了如何通过委派分工提升任务执行效率。

技巧 Deep Agents LangChain 智能体任务规划教程

推荐理由：LangChain 出了个 Deep Agents 新视频，讲怎么用委派功能规划复杂任务，还自带子智能体支持，90 秒就讲明白。

原文

03:32

官方账号LangChain@LangChainAI

LangChain 宣布未来一个月内将在三座城市举办线下 meetup。芝加哥场定于6月22日，合作方为 focused_dot_io 和 united。旧金山场于6月24日举行，合作方为 usehercules。柏林场在7月16日，合作方为 Zalando。注册入口为 luma.com/langchain。

行业 LangChain meetup 开发者社区线下活动

推荐理由：LangChain 要在三个城市办聚会了，去现场和同行聊聊，能学到不少搭建 AI 应用的经验。

原文

03:12

官方账号LangChain@LangChainAI

Benchling AI负责人@nlarusstone在LangChain发布的视频中提出，理解LLMs应借鉴生物学思维而非传统软件工程。他认为LLM的错误模式和调试过程与实验生物学类似，需要迭代测试和大规模观察。该观点引发业界对LLM可解释性本质的重新讨论。

行业 Benchling LangChain nlarusstone LLM 可解释性

推荐理由：Benchling的AI负责人用生物视角解释LLM的奇怪行为，比技术文档好懂，推荐看看他的原话。

原文

03:01

LlamaIndex@llama_index

LlamaIndex CEO Jerry Liu在Databricks #DataAISummit上，与LangChain、CrewAI等公司创始人同台讨论Agentic Stack。该小组于上午11:30开始，聚焦智能体堆栈的构成、发展路径以及当智能体（而非人类）成为基础设施主要消费者时的变化。

行业 LlamaIndex Jerry Liu LangChain CrewAI Databricks 智能体

推荐理由：想了解AI智能体基础设施的未来方向？听LlamaIndex、LangChain、CrewAI创始人面对面聊聊他们的最新看法。

原文

01:49

官方账号LangChain@LangChainAI

LangChain 推出 On-Call Copilot，这是 LangSmith Fleet 中的一个新代理模板。该模板可对每条告警进行分类，并自动调查代码和追踪数据中的根因。它还能管理工单、将事件路由到正确渠道，并从 runbook、升级规则和噪声模式中持续学习。这一模板旨在提升运维团队的事件响应效率。

AI产品 LangChain On-Call Copilot LangSmith Fleet 智能体自动化运维

推荐理由：LangChain 新出的 On-Call Copilot 模板，能自动处理告警、查根因、管工单，运维团队可以省不少事。

原文

01:09

官方账号LangChain@LangChainAI

LangChain 推出 RemoteGraph 功能，实现部署间的直接交互。该功能内置 A2A 协议支持，无需额外配置即可跨部署通信。同时支持通过 MCP 协议与智能体交互。此更新由 LangChain 工程师 Victor Moreira 在 Managed Deep Agents 中演示。

AI产品 LangChain RemoteGraph A2A协议 MCP协议智能体

推荐理由：LangChain 出了个 RemoteGraph，能让你在不同部署之间互相调用，还自带 A2A 和 MCP 协议，玩智能体互操作更方便了。

原文

00:34

官方账号LangChain@LangChainAI

推文指出改进agent通常从手动审查过程开始：挖掘生产追踪、发现重复失败模式、比较运行并决定优先修复什么。6月24日，LangSmith Engine将展示如何帮助团队更快地闭环。该工具专为LangChain生态系统设计，通过自动化追踪分析和模式识别来减少手动工作。

AI产品 LangSmith LangChain 智能体生产追踪

推荐理由：想优化你的Agent？LangSmith Engine能帮你从混乱的追踪数据中快速定位失败模式，6月24日看看它怎么自动化审查循环。

原文

6月17日

23:39

官方账号LangChain@LangChainAI

Andrew Ng与LangChain创始人Harrison Chase在Interrupt活动上进行炉边对话，讨论智能体（agent）的发展方向。两人探讨了Agent在应用落地中的挑战，包括可靠性和编排问题。Harrison Chase分享了LangChain在构建Agent框架中的经验。Andrew Ng强调了Agent作为AI应用核心范式的重要性。

行业 Andrew Ng Harrison Chase LangChain 智能体行业对话

推荐理由：Andrew Ng和Harrison Chase聊智能体的未来，干货不少，适合关注Agent应用的开发者看。

原文

23:38

官方账号LangChain@LangChainAI

LangSmith LLM Gateway 在一个界面上整合了检测、调查和修复流程，减少工具切换和上下文丢失。策略事件与追踪数据并列显示，方便快速定位问题。用户可在构建智能体的同一表面完成安全治理。该功能旨在降低运维复杂度，提升AI应用的可观测性。

AI产品 LangSmith LLM Gateway LangChain 智能体

推荐理由：LangChain 做了个网关，把检测、查问题、修问题都放一个界面里了，不用再切好几个工具了。

原文

03:43

官方账号LangChain@LangChainAI

LangSmith 新增代理拆解功能，可让开发者追踪 AI 代理在生产环境中的每一步决策。该功能帮助快速定位失败原因，并识别关键改进点。无需修改代码即可解析代理行为逻辑，实现持续优化。

AI产品 LangSmith LangChain 智能体可观测性生产环境

推荐理由：LangSmith 新功能让你像拆玩具一样拆解 AI 代理，哪步走错了门清，生产环境调试超省心。

原文

03:02

官方账号LangChain@LangChainAI

LangChain 推出新功能，支持多步骤工作流中状态跨工具调用持久化。提供突发容量，可在秒内扩展到数千个并行环境，适用于强化学习训练或评估。还增强了对用户输入可能被执行的场景的处理能力。这些特性面向需要可靠状态管理和高速扩展的复杂 Agent 与批量评测场景。

AI产品 LangChain 工作流状态持久化并行扩展 RL训练

推荐理由：LangChain 终于解决了多步工作流状态丢失的痛点，还能秒级拉起数千个并行环境做 RL 训练，适合做复杂 Agent 和批量评测。

原文