LangChain 相关 AI 资讯

6月26日

05:30

官方账号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。

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

官方账号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

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

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

官方账号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

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

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

官方账号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

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

官方账号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

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

官方账号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

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

官方账号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

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

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

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

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

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

事件专题

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

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

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

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

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

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

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

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

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

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

事件专题

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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