LangChain 相关 AI 资讯

6月17日

03:01

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith LLM Gateway，将智能体治理直接嵌入开发平台。该网关允许开发者在构建、观察和评估智能体的同一界面中执行安全规则，无需事后额外配置。它支持对 LangChain 智能体进行实时治理，确保合规与安全。

推荐理由：想给智能体加治理规则？LangChain 新出的 LLM Gateway 直接在开发平台里搞定了，不用再另外折腾。

原文

00:58

官方账号LangChain@LangChainAI

LangChain 发布 Deep Agents 深度解析第二部分，讲解上下文管理关键能力。Sydney Runkle 在不到2分钟视频中演示如何控制 Agent 长期记忆与状态。该方法可让 Deep Agents 在连续多轮对话中保持一致性，避免遗忘。

技巧 LangChain Deep Agents 智能体上下文管理提示词工程

推荐理由：如果你在用 LangChain 做智能体，这个2分钟视频教你怎么管理上下文，让 Agent 不跑偏。

原文

00:07

Harrison Chase@hwchase17

精选

LangChain 创始人 Harrison Chase 宣布其 LLM Gateway 进入私有预览，重点解决编码智能体（如 Cursor、Codex、Claude Code）带来的成本激增问题。该网关提供准确的模型定价（考虑缓存、令牌层级等变量），集成多种开发工具，并允许设置成本上限与动态调整。团队反馈显示，6个月内编码智能体支出增长显著，该方案旨在让企业同时赋予开发者选择自由和财务可控性。

AI产品 LangChain LLM Gateway 编码智能体成本控制 Cursor

推荐理由：LangChain 做了一款给团队管住编码 AI 花钱的东西，能对接 Cursor、Codex 和 Claude Code，还能设预算上限，谁用谁知道。

原文

6月16日

22:55

官方账号LangChain@LangChainAI

LangChain 发布了 Managed Deep Agents，一种托管式深度智能体服务，旨在简化复杂 AI Agent 的部署与管理。该服务内置多步骤推理、工具调用和记忆管理，支持集成 LangChain 生态的数百种工具和模型。用户无需自行搭建基础设施，即可通过 API 调用启动可扩展的深度智能体，适用于自动化任务、数据分析等场景。

AI产品 LangChain Managed Deep Agents 智能体

推荐理由：LangChain 出了个托管 Deep Agents，不用自己搭基础设施就能部署复杂智能体，省心省力。

原文

21:58

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith Engine，旨在成为“代理的代理”，帮助开发者构建、测试和监控 AI 代理。该平台提供端到端的可观测性，可追踪代理的决策、工具调用和错误。支持与 LangChain 框架深度集成，简化代理部署流程。目前已在 LangSmith 平台内开放使用。

AI产品 LangSmith LangChain 智能体代理监控

推荐理由：LangChain 出了个新工具 LangSmith Engine，专门帮你看清你那些 AI 代理到底在干什么，调试和监控一步到位。

原文

21:34

官方账号LangChain@LangChainAI

LangChain 在推文中指出，agent 可能调用错误工具、跳过审批步骤、使用错误上下文或生成看似正确但实际错误的答案，即使返回“成功”响应任务也可能失败。因此生产环境中的 agent 团队不能只依赖 uptime、延迟和错误率指标。他们需要监控 agent 的完整执行轨迹，才能定位真正的问题。

技巧 LangChain agent 智能体监控生产环境

推荐理由：生产环境跑 agent 只看成功率不够，LangChain 提示要关注 agent 实际做了什么，推荐做完整轨迹追踪避免翻车。

原文

21:34

官方账号LangChain@LangChainAI

精选

LangChain 推出 Traces 功能，可记录 inputs、model calls、tool calls、outputs 和 final action。Evals 将这些学习转化为测试，用于验证下一版本是否更优。团队可借此从手动调试转向持续改进循环。LangChain 创始人 Harrison Chase 将于 6 月 24 日举办深入研讨会。

技巧 LangChain trace eval 智能体调试

推荐理由：想从手动调 bug 升级到自动化评估？LangChain 的 traces 和 evals 帮你把每次运行变成可测指标，持续优化 agent。

原文

14:21

Fireworks AI@FireworksAI_HQ

Fireworks AI 与 LangChain 合作推出新方案，允许客户从应用 traces 中生成定制训练数据。该方案支持持续后训练（continuous post training），帮助企业利用自有数据建立数据护城河。研究由 LangChain Labs 与 Fireworks AI 联合开展，旨在降低 AI 定制门槛。

AI产品 FireworksAI LangChain 训练数据后训练数据护城河

推荐理由：Fireworks AI 和 LangChain 搞了个新路子：从你的 traces 里自动生成训练数据，然后持续后训练，让你真正掌控自己的 AI 和数据。

原文

03:07

Harrison Chase@hwchase17

LangChain后训练了一个专用模型，用于检测生产环境中的智能体迹（agent traces）问题。该模型在准确性上达到SOTA，推理成本仅为前沿模型的1/10至1/100。用户可通过Airtable链接直接试用。

AI模型 LangChain 智能体生产环境检测模型低成本

推荐理由：LangChain搞了个专门检测Agent问题的模型，又准又便宜，比用GPT-4省太多钱了，快去试试。

原文

02:20

官方账号LangChain@LangChainAI

LangChain Labs与Fireworks AI合作发布了一项新研究。该研究由Viv Vtrivedy等人参与。此次合作可能聚焦于提升大语言模型在实际应用中的效率。具体细节可参考原文链接。

论文 LangChain Fireworks AI Viv Vtrivedy LLM研究

推荐理由：LangChain和Fireworks联手搞研究，看看他们发现了什么新东西。

原文

01:28

官方账号LangChain@LangChainAI

行业 LangChain Benchling 智能体科研

推荐理由：听听LangChain和Benchling的AI老大聊科学智能体踩过的坑，真实干货。

原文

01:10

官方账号LangChain@LangChainAI

LangChain 发现单个开发者使用编码代理每周可能产生数千美元费用。该团队内部构建了 LangSmith LLM Gateway 来监控和限制 API 调用。Gateway 支持设置预算警报和自动暂停，防止成本失控。LangChain 已将其作为产品功能开放。

AI产品 LangChain LangSmith LLM Gateway 编码代理成本控制

推荐理由：LangChain 分享自己怎么用 LangSmith Gateway 管住编码代理的烧钱速度，每周能省几千刀，做 AI 应用的人可以学学。

原文

00:34

Harrison Chase@hwchase17

精选

LangChain创始人Harrison Chase指出，模型中立性比云中立性更具进攻性。理由有三：模型变化速度远快于云基础设施，需保持中立应对快速迭代；不同模型在特定任务上选择性商品化，可同时使用多个；单次运行中可能需一个大型模型驱动核心智能体，搭配多个小型子模型。这与云时代仅在合同期或故障时切换不同。

行业 LangChain 模型中立性智能体多模型

推荐理由：LangChain创始人分析模型中立性为何是进攻策略，做多模型智能体应用的人别错过这三个关键理由。

原文

00:14

官方账号LangChain@LangChainAI

LangChain 官方发布了 Deep Agents 系列教程的第一部分，深入讲解执行环境（execution environment）作为 Deep Agent 的骨干。该视频由 Sydney Runkle 主讲，详细介绍了代理的底层运行机制。

技巧 LangChain Deep Agents 智能体教程

推荐理由：LangChain 官方出品的 Deep Agents 实战教程，从执行环境讲起，适合想深入理解智能体原理的开发者和学习者。

原文

6月15日

21:38

官方账号LangChain@LangChainAI

精选

Lyft 利用 LangChain 构建了 8 个 AI Agent，这些 Agent 能完全解决 35% 的客户问题。在 LangChain 的 Interrupt 会议上，Lyft 分享了内部使用的评估方法，以及如何通过 LangSmith 扩展评估规模。他们还总结了在开发过程中学到的经验教训。

技巧 Lyft LangChain LangSmith 智能体客户服务

推荐理由：Lyft 用 LangChain 做了 8 个 AI Agent，直接干掉 35% 的客服工单，还分享了评估细节。

原文

20:29

官方账号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。

原文

20:28

官方账号LangChain@LangChainAI

LangChain发布Engine，无需新基础设施，直接基于现有LangSmith设置运行。用户只需连接一个项目（可选连接代码仓库），即可自动从生产环境中发现并呈现问题。该工具旨在降低生产环境调试门槛，提升问题定位效率。

AI产品 LangChain LangSmith Engine 生产监控自动调试

推荐理由：LangChain出了个新工具Engine，不用折腾新环境，接上LangSmith就能自动抓生产问题，省事。

原文

6月13日

13:19

官方账号LangChain@LangChainAI

LangSmith Fleet 提供四种创建技能的方式：通过 AI 聊天描述需求自动生成、在创建 agent 时自动生成相关技能、从模板开始、以及手动编写。用户可通过 LangChain 博客获取详细指南。

技巧 LangSmith Fleet LangChain 智能体技能创建

推荐理由：四种方法，快速上手

原文

13:16

官方账号LangChain@LangChainAI

LangChain 的 Managed Deep Agents 现已集成 LangSmith Sandboxes，允许智能体安全执行代码。该功能通过沙箱环境隔离代码运行，防止对系统造成损害。开发者可以在 LangSmith 平台上直接测试和调试代理行为。

AI产品 Managed Deep Agents LangSmith LangChain 智能体代码执行

推荐理由：LangChain 让智能体安全跑代码

原文

11:06

官方账号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

原文

02:01

官方账号LangChain@LangChainAI

精选

LangChain 宣布 IRL LangSmith 引擎推出。推文显示有 1 条评论、2 次转发、15 个喜欢和 1061 次查看。未提供具体功能细节。

AI产品 LangChain LangSmith

推荐理由：关注 LangChain 引擎更新

原文

01:57

官方账号LangChain@LangChainAI

精选

LangChain 与 Focused.io 于 6 月 22 日在芝加哥联合举办线下 Meetup。活动中将展示 Pollen Robotics 的 Reachy 机器人实时追踪 LangChain 调用并解释深度智能体行为。LangChain 创始人 Harrison Chase 与 Focused.io CEO Austin Vance 将分享关于深度智能体与企业 AI 的见解。活动需通过 Luma 平台 RSVP 参加。

行业 LangChain Focused.io Pollen Robotics Reachy 智能体

推荐理由：芝加哥线下交流深度智能体

原文

6月12日

23:55

官方账号LangChain@LangChainAI

LangChain 引用 Simon Willison 提出的智能体致命三要素：访问敏感数据、暴露于不可信内容、具备外部通信能力。当智能体同时满足这三项时，必须使用沙箱隔离。该观点强调了 AI 智能体安全设计的核心风险点，提醒开发者在构建智能体时需优先考虑安全防护。LangChain 提供了相关实现指南。

AI产品智能体安全/沙箱 LangChain Simon Willison 风险模型

推荐理由：做智能体开发的团队必须警惕这三个风险叠加——Simon Willison 的框架帮你快速判断是否需要沙箱，建议直接对照检查自己的智能体架构。

原文

22:21

官方账号LangChain@LangChainAI

LangChain 的 Sydney Runkle 在 X 上分享了关于 AI 循环的 5 种类型：Token 循环（模型生成）、Agent 循环（模型+工具+重复）、深度验证循环（Agent+验证+重复）、部署元循环（事件触发 Agent 运行）以及待完善的引擎循环（通过分析追踪优化系统）。这些循环覆盖了从单次推理到系统级优化的不同抽象层次，帮助开发者理解如何用 LangChain 构建更复杂的 AI 工作流。

AI产品 LangChain Agent 循环工作流元循环 AI 架构

推荐理由：LangChain 把 AI 循环分成了 5 个清晰的层次，做 Agent 开发或工作流编排的团队可以对照自己的场景找到合适的抽象级别，建议收藏作为架构参考。

原文

21:52

官方账号LangChain@LangChainAI

LangChain 团队展示了如何用 LangChain 和 DeepAgents 构建多种循环结构，从基础的 Token 循环到复杂的元循环。Token 循环由模型支持，create_agent 提供智能体循环（模型+工具+重复直到完成），DeepAgents 引入自我验证循环（智能体循环+验证+重复直到满意），部署则实现元循环（根据事件触发智能体运行以改进系统）。团队还提到正在探索“引擎”循环，用于分析每次追踪并调整提示、工具等，使元循环更高效。这为开发者提供了从简单到复杂的循环构建路径，适合需要自动化迭代和系统优化的场景。

AI产品 LangChain DeepAgents 智能体循环自动化系统优化

推荐理由：做智能体自动化和系统优化的开发者，LangChain 这套循环体系从基础到元循环都覆盖了，直接拿来用就能提升迭代效率，值得点开看看。

原文

09:16

官方一手arXiv: OpenAI@Md Jafrin Hossain, Mohammad Arif Hossain, Weiqi Liu, Nirwan Ansari

精选

一项新研究对LangChain、AutoGPT和OpenAI Agents SDK三大主流智能体框架进行安全审计，发现它们均未提供架构级结构安全保证。其中，内存完整性——防御最常见漏洞类别的关键机制——在三个框架中均缺失。实验表明，基于LangChain构建的政府福利智能体，一次内存投毒攻击即可使目标申请人的错误拒绝率升至88.9%，且难以通过标准监控检测。研究者提出了两种轻量级防护机制（内存完整性验证器和策略门），可在亚毫秒开销内消除攻击向量。该研究警示，当前智能体框架生态可能尚未达到面向公众部署的默认安全标准。

论文智能体安全/漏洞 LangChain AutoGPT OpenAI Agents SDK

推荐理由：做AI智能体部署的团队必须看——LangChain等主流框架在公共场景下存在严重安全漏洞，一次内存攻击就能让政府福利系统错误拒绝率飙到88.9%，建议立即检查自己的智能体架构。

原文

04:40

官方账号LangChain@LangChainAI

LangChain 推出 LangSmith Observability 功能，旨在帮助开发者实时监控和理解智能体（agent）的运行表现。该工具能够快速定位问题根源，提升调试效率。对于使用 LangChain 构建复杂智能体应用的团队来说，这解决了追踪和诊断性能瓶颈的痛点。目前该功能已可用，相关推文获得初步关注。

AI产品智能体可观测性 LangChain 调试工具实时监控

推荐理由：做智能体应用的开发者终于不用靠猜来排查问题了——LangSmith Observability 让实时性能追踪变得直观，建议用 LangChain 的团队直接试试。

原文

03:02

官方账号LangChain@LangChainAI

精选

LangChain 发布 Agentic Operating Model 框架，旨在解决企业 AI 智能体在生产环境中面临的可靠性、可治理性和持续改进问题。该框架聚焦于智能体部署后的运维阶段，帮助团队建立监控、治理和迭代机制。LangChain 指出，将智能体投入生产相对容易，但长期保持其稳定运行和持续优化才是企业 AI 项目的真正瓶颈。

AI产品智能体生产部署运维治理 LangChain 企业AI

推荐理由：做企业级 AI 智能体部署的团队终于有了运维层面的系统框架——LangChain 的 Agentic Operating Model 直接戳中生产环境治理痛点，建议正在或即将上线智能体的团队点开看看。

原文

6月11日

22:43

官方账号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。

原文

22:40

官方账号LangChain@LangChainAI

LangChain 发布了 Managed Deep Agents 运行时，支持持久线程、流式运行、检查点和人机协作工作流。开发者可通过 API 创建和配置智能体、管理线程，并直接从自己的产品中流式运行。该运行时旨在简化复杂智能体的部署与管理，提升开发效率。

AI产品 LangChain 智能体运行时持久线程流式运行

推荐理由：做智能体应用的开发者终于有了一个开箱即用的运行时，省去自己搭建持久化和流式处理的麻烦，建议直接集成试试。

原文

06:43

Harrison Chase@hwchase17

LangChain 发布技术博客，揭秘其内部数据库 SmithDB 如何支持对数百 MB 的 Agent 追踪数据进行全文搜索和 JSON 过滤，同时保持中位数延迟仅 400ms。团队从零构建了自定义倒排索引，解决了大规模 Agent 日志的实时检索难题。该方案为 LLM 应用的可观测性和调试提供了高效基础设施。

AI产品 LangChain SmithDB 倒排索引 Agent追踪全文搜索

推荐理由：做 LLM 应用开发和 Agent 调试的团队，这篇博客展示了如何用自建索引解决大规模追踪数据的搜索性能瓶颈，值得参考其架构设计。

原文

05:44

Harrison Chase@hwchase17

LangChain 创始人 Harrison Chase 在 X 上发帖，邀请芝加哥地区的开发者参加 6 月 22 日的线下 meetup，主题是 deepagents。活动由 LangChain 与 focused_dot_io 联合举办，报名链接已公开。这为关注智能体开发的社区成员提供了面对面交流的机会，尤其适合对 LangChain 生态和深度智能体技术感兴趣的人。

行业智能体 LangChain meetup 社区活动 deepagents

推荐理由：做智能体开发的芝加哥开发者别错过——LangChain 创始人亲自下场聊 deepagents，现场交流比看文档高效十倍，建议直接报名。

原文

05:33

官方账号LangChain@LangChainAI

LangChain 发布了 LLM Gateway，将可观测性与执行控制功能整合到 LangSmith 平台中。此前，开发者需要分别使用独立的网关、护栏平台和可观测性堆栈，并在出现问题时手动关联三者的信号。LLM Gateway 解决了这一痛点，提供了统一的入口来监控和强制执行 LLM 调用策略。对于使用 LangSmith 的团队，这意味着更简单的架构和更快的故障排查。

AI产品 LangChain LLM Gateway 可观测性执行控制 LangSmith

推荐理由：做 LLM 应用开发的团队终于不用在网关、护栏和可观测性之间来回切换了——LangSmith 用户可以直接在平台内完成监控和策略执行，建议点开看看具体怎么整合。

原文

03:44

官方账号LangChain@LangChainAI

LangChain 宣布正在构建 SmithDB，旨在解决智能体可观测性带来的系统性问题。SmithDB 专注于处理智能体运行时的数据追踪、调试和监控需求，为开发者提供更可靠的底层基础设施。该项目目前处于早期阶段，LangChain 正在招聘相关工程师。对于构建复杂智能体系统的团队来说，SmithDB 有望填补智能体可观测性领域的空白。

AI产品智能体可观测性 LangChain SmithDB 基础设施

推荐理由：智能体可观测性是当前 AI 工程化的核心痛点，做智能体应用开发的团队值得关注——SmithDB 可能解决你调试和监控智能体行为的头疼问题。

原文

03:43

官方账号LangChain@LangChainAI

72°

LangChain 团队分享了他们为 SmithDB 构建自定义倒排索引的技术细节，以支持对高达数百 MB 的智能体追踪数据进行全文搜索和 JSON 过滤，同时将中位数延迟控制在 400 毫秒。他们从零开始设计索引结构，优化了存储和查询路径，解决了大规模追踪数据下的性能瓶颈。这一方案使得开发者能够高效地检索和分析复杂的智能体执行日志，对调试和优化 AI 应用至关重要。文章深入介绍了索引构建、压缩和查询优化的具体方法。

AI产品 LangChain SmithDB 全文搜索倒排索引智能体追踪

推荐理由：LangChain 解决了智能体追踪数据检索的痛点——百 MB 级日志也能秒级搜索，做 AI 应用调试和可观测性的团队值得学习这个自定义索引方案。

原文

03:31

官方账号LangChain@LangChainAI

LangChain 销售总监 Vince Signori 在 Forward Deployed 播客中分享了公司从估值 2 亿美元增长到 12.5 亿美元、销售团队从 3 人扩展到 60 人的经验。他将 LangChain 比作 HashiCorp，认为两者分别抓住了云计算和 AI 转型浪潮，但 AI 的速度快 50 倍。Vince 此前在 HashiCorp 从早期销售做到 IPO 并被 IBM 收购，拥有丰富的企业销售增长经验。对话还探讨了 AI 时代销售策略的独特挑战和机遇。

行业 LangChain 销售增长 AI 创业企业销售播客

推荐理由：LangChain 的销售增长故事对 AI 创业公司的销售负责人和创始人很有启发——AI 浪潮比云计算快 50 倍，销售策略也得跟上，建议点开听完整版。

原文

01:50

官方账号LangChain@LangChainAI

LangChain 将于 6 月 24 日在旧金山举办线下 Meetup，邀请产品经理 Ben Tannyhill 与 Hercules CEO Brendan Falk 对话。活动聚焦 LangSmith Engine 与 Hercules 工具链的集成应用，探讨如何提升 AI 应用的开发与调试效率。这是了解 LangChain 最新生态进展的难得机会，适合 AI 开发者与产品团队参与。

行业 LangChain LangSmith Engine Hercules 开发者活动 AI 工具链

推荐理由：LangChain 生态的线下交流机会难得，做 AI 应用开发的团队可以直接去现场了解 LangSmith Engine 的实战用法，还能和产品经理面对面聊痛点。

原文

01:29

官方账号LangChain@LangChainAI

LangChain 在 Deep Agents 中新增了 RubricMiddleware 功能，用于定义任务完成的明确标准。该中间件能让智能体持续执行直到达到预设的完成条件，解决了智能体任务执行中缺乏明确终止判断的问题。这对于需要精确控制任务完成状态的自动化场景非常有用。

AI产品智能体 LangChain Deep Agents 任务完成中间件

推荐理由：做智能体开发的团队终于有了明确的「完成」定义工具——RubricMiddleware 让智能体不再盲目执行，而是按标准持续优化直到达标，建议做自动化流程的开发者试试。

原文

6月10日

23:19

官方账号LangChain@LangChainAI

LangChain 发布了 Managed Deep Agents，允许团队在 LangSmith 中托管和管理深度智能体。用户只需在代码仓库中定义智能体，然后通过 API 在 LangSmith 中创建和操作托管智能体。该服务旨在简化深度智能体的部署和运维，让团队无需自行管理运行时基础设施。对于需要快速将深度智能体投入生产的团队来说，这是一个高效的选择。

AI产品智能体 LangSmith 托管服务 API LangChain

推荐理由：做智能体应用的团队终于可以省去自建运行时的麻烦——LangChain 把深度智能体的托管基础设施打包好了，直接用 API 就能管理，建议有部署需求的团队点开看看。

原文

05:44

官方账号LangChain@LangChainAI

LangChain 创始人 Harrison Chase 在不到90秒的视频中介绍了 LangSmith LLM Gateway 的核心功能。该网关旨在简化 LLM 调用的管理、监控和路由，帮助开发者更高效地集成和运维大语言模型。视频快速展示了网关的配置、日志记录和错误处理等关键特性，适合正在使用或评估 LangChain 生态的团队快速了解。

AI产品 LangSmith LLM Gateway LangChain API管理开发者工具

推荐理由：LangChain 创始人亲自讲解，90秒就能搞懂 LLM Gateway 能解决什么痛点——做 LLM 应用开发的团队值得花这点时间看看。

原文