LangChain 相关 AI 资讯

6月18日

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

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

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

事件专题

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

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

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

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

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

事件专题

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

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

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

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。

AI产品 LangChain LangSmith LLM Gateway

事件专题

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

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

事件专题

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

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

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

事件专题

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

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

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

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

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

事件专题

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

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

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

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

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

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

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

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

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

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

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

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

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

事件专题

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

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

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

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

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