LangChain
大语言模型的非确定性与庞大数据载荷迫使Agent研发彻底重构,团队必须通过专用数据库与后台自治智能体来加速排障迭代以突破生产落地瓶颈。
AI-assisted summary of The Agent Development Lifecycle: Build, Test, Deploy, Monitor | Interrupt 26 — original source. Check the original for full context.
Source published:
Key ideas
- LangChain 正式发布专为 Agent 可观测性定制的底层数据库 SmithDB,采用 Rust、Apache DataFusion 与 Vortex 技术栈及对象存储计算分离架构,使查询性能实现 6 到 15 倍的显著提升,现已全面接管 LangSmith 美国云核心负载。 (27:55)
- 针对排障与调优困难,LangChain 推出后台常驻诊断智能体 LangSmith Engine(开启 Public Beta),能主动巡查海量 Trace、识别根因,并联动代码库、测试数据集及 Context Hub 完成自动化修复闭环。 (38:50)
- 全新 Deep Agents 0.6 发布,原生深度适配 GLM-5、DeepSeek 与 NVIDIA Nemotron 等开源模型生态,并引入基于 QuickJS 的轻量级 JavaScript CodeInterpreter 及全新流式传输前端 SDK。 (8:56)
- LangSmith Sandboxes 正式 GA,冷启动时间缩减至 1 秒以内,并通过外部挂载的 Auth Proxy 拦截网络流量并动态注入 API Key,彻底杜绝提示词注入引发的凭证泄露。 (14:48)
- LangChain 将 Agent 研发范式系统化为 ADLC(智能体开发生命周期),并推出 Managed Deep Agents(私有预览),以统一单一 API 整合编排运行时、记忆、沙箱与 MCP 工具集成。 (20:40)
Detailed notes
## Background 本内容由 LangChain 官方 YouTube 频道于 2026 年 5 月 19 日发布,时长约 45 分钟。视频记录了 LangChain 年度智能体大会 Interrupt 26 的开幕主题演讲,由首席执行官兼联合创始人 Harrison Chase 与首席技术官兼联合创始人 Ankush Gola 共同登台,全面拆解顶尖团队在生产环境中构建、测试、部署与监控 AI Agent 的“智能体研发生命周期(ADLC)”框架,并集中发布了多款贯穿该生命周期的核心产品与基础设施。
## TL;DR 演讲首先剖析了构建 Agent 与传统软件在输入空间无限性与非确定性上的本质差异,强调了及早交付与快速迭代的核心法则。随后,团队发布了具备轻量 QuickJS 代码解释器、强化流式传输及深度适配开源模型的 Deep Agents 0.6,宣布 LangSmith Sandboxes 正式 GA,并推出了统一管理指令规范与知识库的 Context Hub、负责成本与合规治理的 LLM Gateway,以及整合成单一 API 的 Managed Deep Agents。下半场,CTO Ankush Gola 披露了生产级 Agent 调用中追踪数据体积爆炸的严峻挑战,重磅发布了基于 Rust、DataFusion 与 Vortex 构建的专用可观测性数据库 SmithDB,全面接管云端追踪负载;最后压轴登场的是自动化排障诊断智能体 LangSmith Engine,旨在通过全自动巡检、根因定位与防倒退数据集沉淀,彻底闭环 Agent 开发生命周期的迭代飞轮。
## Atmosphere & style 整场 Keynote 节奏紧凑、干货极度密集,充溢着顶级硬核技术发布会的张力与极客气息。Harrison Chase 风格幽默风趣、善于宏观布道与抽丝剥茧,而 Ankush Gola 则以深厚严谨的系统工程思维直击底层基础设施痛点,两位联合创始人的交替登台展现了从应用范式到数据库架构的无缝衔接。现场伴随着产品宣传片的强劲视听冲击与台下开发者的阵阵欢呼,既有攻克底层分布式存储难题的硬派工程快感,又传递出与社区开发者并肩探索生产级智能体未来的真诚与激情。
## Bulletin - [27:55](https://www.youtube.com/watch?v=jWy39wavbjY&t=1675s) LangChain 正式发布专为 Agent 可观测性定制的底层数据库 SmithDB,采用 Rust、Apache DataFusion 与 Vortex 技术栈及对象存储计算分离架构,使查询性能实现 6 到 15 倍的显著提升,现已全面接管 LangSmith 美国云核心负载。 - [38:50](https://www.youtube.com/watch?v=jWy39wavbjY&t=2330s) 针对排障与调优困难,LangChain 推出后台常驻诊断智能体 LangSmith Engine(开启 Public Beta),能主动巡查海量 Trace、识别根因,并联动代码库、测试数据集及 Context Hub 完成自动化修复闭环。 - [08:56](https://www.youtube.com/watch?v=jWy39wavbjY&t=536s) 全新 Deep Agents 0.6 发布,原生深度适配 GLM-5、DeepSeek 与 NVIDIA Nemotron 等开源模型生态,并引入基于 QuickJS 的轻量级 JavaScript CodeInterpreter 及全新流式传输前端 SDK。 - [14:48](https://www.youtube.com/watch?v=jWy39wavbjY&t=888s) LangSmith Sandboxes 正式 GA,冷启动时间缩减至 1 秒以内,并通过外部挂载的 Auth Proxy 拦截网络流量并动态注入 API Key,彻底杜绝提示词注入引发的凭证泄露。 - [20:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=1240s) LangChain 将 Agent 研发范式系统化为 ADLC(智能体开发生命周期),并推出 Managed Deep Agents(私有预览),以统一单一 API 整合编排运行时、记忆、沙箱与 MCP 工具集成。
## Key takeaways - [02:00](https://www.youtube.com/watch?v=jWy39wavbjY&t=120s) 构建 Agent 与传统软件开发(SDLC)存在本质分歧:面对自然语言带来的无限输入空间与大模型非确定性且高敏感的输出空间,团队必须遵循及早交付、极速迭代的研发法则(ADLC)。 - [06:34](https://www.youtube.com/watch?v=jWy39wavbjY&t=394s) Deep Agents 被定义为生产级 Agent Harness(控制框架),围绕 LLM 循环调用工具的核心机制,注入了沙箱与虚拟文件系统、上下文管理、人工介入引导(Steering)以及多 Agent 任务委托四大底座能力。 - [08:56](https://www.youtube.com/watch?v=jWy39wavbjY&t=536s) 开源模型在垂直任务上的性能飞跃正驱动行业转移,Deep Agents 0.6 原生适配 GLM-5、DeepSeek 及 Nemotron,并开源了专属编程智能体参考范例 Deep Agents Code。 - [08:56](https://www.youtube.com/watch?v=jWy39wavbjY&t=536s) Deep Agents 0.6 内置基于 QuickJS 的轻量级 JavaScript CodeInterpreter,以极低延迟和较小开销填补了纯数据库模拟文件与重型 Docker 沙盒之间的工程空白。 - [12:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=760s) LangSmith Deployments 已承载超 1 亿次智能体线上运行,提供包括环境变量用户级隔离、认证鉴权和长周期持久耐用性在内的约 30 个标准生产级 API 端点。 - [14:48](https://www.youtube.com/watch?v=jWy39wavbjY&t=888s) LangSmith Sandboxes 正式达成 GA,支持秒级启动、跨周期持久化与快照克隆,其外置的 Auth Proxy 机制有效保障了第三方凭证安全,阻断 Prompt 注入风险。 - [16:07](https://www.youtube.com/watch?v=jWy39wavbjY&t=967s) LangChain 推出 LangSmith Context Hub,统一纳管版本化的 agents.md、技能库与 Markdown Wiki 知识库,并与 Redis、MongoDB、Pinecone 等厂商联合制订开放记忆标准以防止厂商锁定。 - [18:42](https://www.youtube.com/watch?v=jWy39wavbjY&t=1122s) 企业在生产环境规模化并发运行 Agent 面临失控的 Token 开销与敏感数据泄露风险,测试版 LangSmith LLM Gateway 为此提供了透明预算拦截、全景透视及动态 Guardrails 防护能力。 - [20:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=1240s) Managed Deep Agents(私有预览)将部署编排、代码沙箱、Context Hub 记忆版本化与 MCP 工具生态收敛为单一 API,并贯彻运行时与执行环境物理隔离的设计原则。 - [22:49](https://www.youtube.com/watch?v=jWy39wavbjY&t=1369s) Agent Trace 与传统 APM 请求链路不同,它记录的是动态行为历史;多模态混杂、深层嵌套步骤与大载荷使得单客户极端单日涌入数据可达 50 TB,传统时序数据库面临崩溃。 - [29:38](https://www.youtube.com/watch?v=jWy39wavbjY&t=1778s) SmithDB 将持久化完全锚定在对象存储上,实现纯粹的计算存储分离,免除横向扩容时的数据重分片风险,并辅以 Cluster Manager 的黏性路由(Sticky Routing)机制优化缓存命中。 - [29:38](https://www.youtube.com/watch?v=jWy39wavbjY&t=1778s) 为在海量文本与多模态数据中实现近乎即时的查询,SmithDB 针对对象存储设计了定制倒排索引物理布局,并结合内存与 SSD 二级缓存阻断网络 RTT 开销。 - [33:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=2020s) SmithDB 基于 Rust、Apache DataFusion 与可自定编码的 Vortex 格式打造,有效化解了长达数小时的长周期分布式 Span 合并、昂贵的 Top-K 查询以及前沿实时数据扫描三大工程难题。 - [37:19](https://www.youtube.com/watch?v=jWy39wavbjY&t=2239s) 不仅服务人类排障,SmithDB 的高性能更是为了避免可观测工具成为阿姆达尔定律中的系统瓶颈,从而提升 Agent UX(以程序化方式直接调用可观测系统的体验)。 - [38:50](https://www.youtube.com/watch?v=jWy39wavbjY&t=2330s) 单纯的可视化只是及格线,LangSmith Engine 作为常驻后台的主动型 Agent,自主提取问题证据链并向 GitHub、测试数据集、Prompt Hub 反哺修复动作,真正让 ADLC 迭代飞轮闭环自动化运转。
## Detailed walkthrough ### [00:03](https://www.youtube.com/watch?v=jWy39wavbjY&t=3s) 开场短片与 Interrupt 26 大会欢迎致辞
LangChain 开场播放了一段充满科技张力的先导宣传片。短片以旁白探讨了“智能”的本质:“他们称之为智能。但如果它无法行动,它能做什么?它只能等待我们。”人类因此赋予它技能、工具以及带有记忆的控制框架(harness),通过记忆赋予上下文,将上下文转化为行动计划。然而行动本身还不够,智能体必须持续学习、接受观测、评估并进行迭代部署。短片最后总结道:“这不仅仅是智能,它是一种生命(It's not just intelligence. It's alive)。”
宣传片结束后,LangChain 联合创始人兼首席执行官 Harrison Chase 走上讲台。他笑着坦言自己事先根本不知道团队制作了这段视频,但效果非常棒。Harrison 欢迎所有参会者来到 Interrupt 26,并指出今年是 LangChain 举办 Interrupt 大会的第二年。鉴于去年反响热烈,大会日程从原本的一天扩充到了整整两天。现场邀请了行业内顶尖的技术团队,准备了极具分量的议程与重磅发布,Harrison 代表团队对所有到场的开发者与企业表达了由衷的感谢。
[02:00](https://www.youtube.com/watch?v=jWy39wavbjY&t=120s) 为什么构建 AI Agent 不同于构建传统软件
Harrison 回顾了去年的首届大会。当时大家共同探讨的核心痛点是“构建 Agent 非常困难”——搭建一个 PoC 原型轻而易举,但真正推向生产环境却困难重重,沿途充满未知的技术瓶颈。而在过去的一年里,许多优秀的公司(包括本次大会的多家演讲嘉宾)已经探索出跨越这些障碍的方法,成功将 Agent 交付上线。虽然如今将 Agent 部署到生产环境依旧不易,但行业已经摸索出实现这一目标所必需的关键要素。
Harrison 强调,构建 Agent 从底层逻辑上就彻底不同于构建传统软件,这也是为什么工程师需要全新的工具链和技能体系。二者的核心差异主要体现在两个维度: 1. **输入空间的无限性**:传统软件处理结构化或受限的数据,而 Agent 接收的是自然语言。自然语言在维度上近乎无限,字数不受限制,且目前正进一步扩展到图像、视频甚至音频等各类多模态数据,导致输入空间极度庞大。 2. **输出空间的不确定性与高敏感度**:大语言模型(LLM)本身具有非确定性(non-deterministic)。退一步讲,即便模型表现出确定性,它对 Prompt 中极微小的措辞变动依然高度敏感。
面对巨大的输入空间与高度脆弱的非鲁棒系统,团队在真正将 Agent 推向市场、交给终端用户使用之前,几乎无法准确预测其真实表现。因此,成功落地 Agent 的团队都遵循同一套研发法则。Harrison 总结道:“那些找到稳定构建 Agent 方法的团队,他们及早交付,然后快速迭代(And the teams that have figured out how to build agents reliably, they ship early and then they iterate quickly)。”
```mermaid flowchart LR accTitle: 传统软件开发与 Agent 开发的对比 accDescr: 对比传统软件的受限输入与确定性逻辑,与 Agent 面临的无限输入、非确定性模型及快速迭代循环。
subgraph SW["传统软件开发 (SDLC)"] direction TB A1["受限/结构化输入"] --> B1["确定性业务逻辑"] B1 --> C1["可预测的稳定输出"] end
subgraph AG["Agent 智能体开发 (ADLC)"] direction TB A2["自然语言 / 多模态<br/>(无限输入空间)"] --> B2["LLM 循环调用<br/>(非确定、Prompt 敏感)"] B2 --> C2["及早交付 + 极速迭代<br/>(面向真实用户验证)"] end ```
[03:53](https://www.youtube.com/watch?v=jWy39wavbjY&t=233s) Agent 研发生命周期(ADLC)与 LangChain 的技术演进
在不断的高频迭代过程中,行业头部团队不约而同地总结出了一套平行于传统软件开发生命周期(SDLC)的新范式——Agent 研发生命周期(Agent Development Lifecycle, ADLC)。Agent 的特性决定了它要求更密集的迭代频率,且生命周期中构建、测试、部署、监控各个阶段的具体实施步骤也与传统软件截然不同。能否掌握这一套生命周期,成为了衡量一个团队能否成功规模化交付 Agent 的核心分水岭。
Harrison 阐明,LangChain 如今所做的一切产品布局,都可以映射到这个生命周期中:“我们想弄清楚未来的 Agent 究竟是什么样,并且我们想构建所有的工具来帮助它们成为现实。”回顾 LangChain 的发展历程,其演化轨迹完美契合了行业对 ADLC 的需求演变: - **LangChain 诞生(2022年)**:在 ChatGPT 发布前一个月开源,专注于构建 LLM 应用。Harrison 透露了一个有趣的幕后故事:在 ChatGPT 发布前,LangChain 代码库中就已经包含了一个表示智能体的类,当时 Harrison 在圣迭戈度感恩节假期,在给该类命名时纠结良久,最终起名为 `agent-executor` 而不是单纯的 `agent`。他自我调侃道团队一贯不擅长起名字,但这证明了他们从一开始就锚定了 Agent 这一方向。 - **LangGraph 发布**:随着应用复杂度的激增,开发者构建的架构从单向线性链(Chains)演进为有环图结构(Graphs),LangGraph 应运而生以支持高度可控的复杂状态机。 - **LangChain 1.0 与 Deep Agents**:随后团队推出了 LangChain 1.0,并在约 9 个月前推出了 Deep Agents。Deep Agents 代表了底层架构的最新演化,也是 LangChain 认为技术未来的发展方向。
[06:34](https://www.youtube.com/watch?v=jWy39wavbjY&t=394s) 揭秘 Deep Agents:Agent Harness(控制框架)的核心能力
Harrison 剖析了 Agent 的本质概念。从早期 LangChain 的 `agent-executor` 到如今的最前沿系统,Agent 的底层闭环始终非常简单纯粹:**本质上就是一个处于循环运行状态中、不断调用工具的 LLM**。系统接收用户请求,调用 LLM 进行推理,LLM 决定调用特定工具,系统执行该工具并将结果回传,这一循环反复进行,直到 LLM 判定任务已彻底完成。
既然基础循环如此简单,那么 Deep Agents 到底是什么?Harrison 将其定义为一个全功能、自带电池的“Agent 控制框架(Agent Harness)”。它全面增强了基础执行循环,内置了生产级系统必须具备的四大核心底座: 1. **执行环境(Execution Environment)**:Agent Harness 必须有代码和任务的运行场所。最典型的是沙箱(Sandbox),为 Agent 开放文件系统、代码读写与执行权限;而在另一极端,Deep Agents 提供了虚拟文件系统(Virtual File System),底层实际是一个数据库,但向模型伪装成文件系统接口。由于 LLM 极擅长读写文件,这种机制巧妙地为模型提供了低成本的环境交互层。 2. **上下文管理(Context Management)**:内置自动化的上下文调度逻辑。包括基于总结(Summarization)的短期记忆机制(当会话过长时自动压缩上下文)、上下文卸载(Context Offloading,用于处理极其冗长的工具调用返回值),以及 Prompt Caching(对静态前缀进行缓存以显著降低推理成本并加速响应)。 3. **人工介入引导(Steering & Human-in-the-Loop)**:虽然 Deep Agents 专为长周期、长任务(Long-horizon)设计,但长周期绝不等于完全自主脱缰。框架内置了完备的人工在环(Human-in-the-loop)拦截、审核与引导机制。 4. **任务委托(Delegation)**:支持将高层规划或特定子任务委托给独立的规划 Agent 或子 Agent(Subagents),框架在底层全自动处理父子 Agent 之间的双向通信与状态同步。
```mermaid flowchart TD accTitle: Deep Agents Harness 架构全景 accDescr: 展示 Deep Agents 如何通过执行环境、上下文管理、人工介入与委托机制全面增强 LLM 工具调用循环。
subgraph Loop["核心 Agent 循环 (The Loop)"] direction LR REQ["用户请求"] --> LLM["LLM 推理决策"] LLM -->|"决定使用工具"| TOOL["执行工具 / Action"] TOOL -->|"反馈结果"| LLM LLM -->|"任务完成"| RESP["返回最终结果"] end
subgraph Harness["Deep Agents Harness 赋能模块"] direction TB ENV["执行环境<br/>(沙箱 / 虚拟文件系统)"] CTX["上下文管理<br/>(自动摘要 / 上下文卸载 / Prompt 缓存)"] HUM["人工在环引导<br/>(Steering / 权限拦截)"] DEL["任务委托机制<br/>(规划 Agent / 垂直子 Agent)"] end
Harness -.->|"全面注入生产级能力"| Loop ```
[08:56](https://www.youtube.com/watch?v=jWy39wavbjY&t=536s) 重磅发布:Deep Agents 0.6 及对开源模型与执行环境的升级
Harrison 正式发布了 **Deep Agents 0.6** 版本。该版本的迭代方向完全由团队在业界观察到的三大核心趋势所驱动。在本次分享中,Harrison 重点拆解了前两大趋势及对应的功能落地:
**趋势一:开源模型的崛起与使用成本高企** 前沿专有闭源模型的使用成本居高不下,且伴随着调用量井喷,企业面临严峻的成本压力;与此同时,开源模型性能迎来飞跃,例如 DeepSeek V4(此处为现场演讲口误,实际指代 DeepSeek 当期模型)发布后在多项垂直任务上展现出媲美前沿闭源模型的性能。Harrison 预判,未来行业必然会大规模转向开源模型。为了让 Deep Agents 成为开源模型的最佳载体,0.6 版本推出了针对性升级: - **原生多模型支持**:原生深度支持 GLM-5、DeepSeek 以及 NVIDIA Nemotron 系列模型。 - **顶级推理厂商适配**:与 Fireworks、BaseTen 以及 NVIDIA 等顶级推理服务商建立深度集成优化。 - **Deep Agents Code**:由于体验模型在 Harness 中表现的最直观途径就是编写代码,LangChain 正式开源了基于 Deep Agents 构建的开源编程智能体参考范例 `Deep Agents Code`,针对开源模型的指令遵循与编码能力进行了深度专项调优。
**趋势二:执行环境的多样化需求与 CodeInterpreter** 在执行环境方面,过去系统往往处于两极分化状态:一端是极简的虚拟文件系统(底层为简单数据库,模拟文件读写),另一端则是功能完备但开销极大的代码沙箱(支持运行 Docker、拉起 Web 服务器等完整环境)。但在轻量数据处理场景下,二者之间存在明显空白。 - **基于 QuickJS 的内置 CodeInterpreter**:Deep Agents 0.6 正式推出了介于二者之间的代码解释器。它内置了极轻量的 JavaScript 运行时 QuickJS,为 Agent 提供了一个类 REPL 的执行环境。 - **能力边界与适用场景**:虽然它仅支持 JavaScript 语言子集,且无法执行类似 Docker 容器启动等重型操作,但它允许 Agent 以极低延迟、极小开销通过编程方式组合调用工具并高效处理与转换数据文件。
- **核心产品发布**:Deep Agents 0.6。 - **重点支持的开源模型**:GLM-5、DeepSeek、NVIDIA Nemotron。 - **战略推理生态伙伴**:Fireworks AI、BaseTen、NVIDIA。 - **开源代码智能体参考实现**:Deep Agents Code。 - **新执行环境运行时**:基于 QuickJS 打造的轻量级 JavaScript CodeInterpreter。
[11:08](https://www.youtube.com/watch?v=jWy39wavbjY&t=668s) Deep Agents 0.6 的第三大趋势:流式传输与令人愉悦的用户界面
在探讨完轻量级虚拟文件系统的读写能力后,演讲者总结了这种折中方案的工程优势:部署极其轻巧,无需为每一个智能体单独启动一个独立的沙盒环境,这使得多租户(multi-tenant)架构下的并发运行变得极为简单,同时开发者依然能享受到编写代码所带来的各项收益。紧接着,演讲者抛出了团队在智能体开发中观察到的第三大核心趋势——构建令人愉悦且交互顺畅的 UI 依旧充满挑战,但对产品体验起着决定性作用。随着底层智能体架构日趋复杂,它们向外抛出的事件也变得庞杂多样,包含了文本片段、工具调用(tool calls)、图像数据、思维链推理(reasoning)以及子智能体(sub-agents)的状态变更。如何将这些琐碎且结构复杂的动态事件流畅、实时地呈现在前端,成为每一个开发团队的痛点。
针对该痛点,Deep Agents 0.6 正式带来了增强的流式传输(Streaming)支持。这套全新方案包含了一套专门设计的流式传输协议,并配备了针对主流前端语言的 4 款独立前端 SDK。此外,为了让这套管道与界面层无缝粘合,LangChain 与 CopilotKit、assistant-ui 以及 Vercel 等流行 UI 框架达成了深度整合。演讲者直言:“UIs are a big part of building agents, and we want to make it the easiest way to do so.”(UI 是构建智能体的重要组成部分,我们希望将其打造成最简单、最轻松的构建方式。)团队坚信智能体运行底座(agent harnesses)正变得愈发强健、愈发具备生产就绪能力,而 Deep Agents 正是 LangChain 给出的标杆方案。
- 虚拟文件系统支持在不为每个智能体分配独立物理沙盒的前提下轻松实现多租户调度。 - Deep Agents 0.6 发布了全新的流式传输协议与 4 款适配不同语言的前端 SDK。 - 与 CopilotKit、assistant-ui、Vercel 等 UI 生态建立深度官方集成。
[12:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=760s) 测试与部署阶段的挑战:从单机本地到耐用型生产环境
智能体开发生命周期(ADLC)从“构建(Build)”自然推进至“测试(Test)”与“部署(Deploy)”。在测试环节,针对智能体的评估机制与传统软件的单测全然不同。开发者必须构建基准数据集,包含参考输入、参考期望输出,或是定义打分判据;需要确立针对具体业务场景的核心度量指标,如正确性或幻觉率;随后在此类数据集上执行智能体评估,生成评测实验(experiments)。通过这些实验,工程团队既可以针对弱点进行算法爬坡迭代(hill climb),也能在修改代码与提示词时确保性能不出现退化(regression)。在简要提及持续演进两年的 LangSmith Evaluations 后,演讲者将重点转向了从“本地运行”迈向“线上部署”面临的严苛工程挑战。
当系统从开发者单人本地调试切换至面向成千上万线上用户时,多重鸿沟随之浮现:环境变量与记忆存储必须精确隔离到具体的用户会话维度;权限与身份认证(Auth)成为阻击未授权访问的刚需;而在本地崩盘时开发者仅需在断点处手动恢复执行,但在大规模生产环境下,必须保障系统的持久耐用性(durability)。为此,LangChain 早在一年前便推出了 LangSmith Deployments,通过开放约 30 个标准 API 端点,一体化承载了流式传输、人机协同(human-in-the-loop)、鉴权等一系列基础设施需求。
- LangSmith Deployments 迄今已承载并服务了超过 1 亿次智能体线上运行(agent runs)。 - 包括 Workday、Cisco、Etsy、Podium 以及 ByteDance(字节跳动)在内的一线企业均已在生产环境中深度依赖该部署底座。
[14:48](https://www.youtube.com/watch?v=jWy39wavbjY&t=888s) LangSmith Sandboxes 正式 GA:安全的代码执行环境
尽管 LangSmith Deployments 解决了接口与进程调度问题,但生产级智能体还需要专属的执行环境,其中表现最优异的载体莫过于代码沙盒。不论智能体本身的定位是否是代码编写型智能体,具备读写并执行代码的能力都会给其推理和执行赋能——它们可以通过编写脚本处理结构化数据、操纵底层 CLI 工具,从而解决单纯文本生成无法覆盖的复杂任务。演讲者正式宣布 LangSmith Sandboxes 达到通用可用(General Availability, GA)状态,现场随即爆发热烈掌声。
```mermaid flowchart LR accTitle: LangSmith Sandboxes 安全架构 accDescr: 展示智能体在沙盒外通过 Auth Proxy 安全调用外部带有 API Key 的服务的架构流向
subgraph UserEnv ["用户宿主环境"] Agent["智能体 (LLM / Agent)"] end
subgraph SandboxEnv ["LangSmith Sandboxes (秒级启动 / 持久化)"] Exec["代码执行环境 (CLI / 数据处理)"] end
subgraph ProxyEnv ["外部安全层"] AuthProxy["Auth Proxy (鉴权代理)"] end
subgraph CloudEnv ["外部下游服务"] ExternalAPI["第三方 API 服务"] end
Agent -->|"下发代码"| Exec Exec -->|"网络请求 (无敏感 Key)"| AuthProxy AuthProxy -->|"注入真实 API Key"| ExternalAPI ```
LangSmith Sandboxes 能够在不到 1 秒的时间内秒级完成启动,具备跨交互周期的环境持久化能力,并支持文件系统快照(snapshots)与分支克隆(forks)。更为惊艳的是其内置的安全鉴权代理(Auth Proxy):当智能体需要调用涉及第三方 API Key 的外部服务时,传统方案直接注入密钥容易引发提示词注入(Prompt Injection)进而导致密钥泄露;而 LangSmith 的 Auth Proxy 坐落在沙盒外部,负责自动拦截网络流量并在边缘无感知注入真实凭据,沙盒内的模型本身永远无从窥探明文密钥。该功能完全脱钩框架(framework-agnostic),无论是配合 Deep Agents、用于自动化强化学习(RL)、回归测试还是直接承载线上业务,均可通过 LangSmith SDK 轻松调用。企业级协作平台 monday.com 目前已采用该沙盒来驱动其名为 Sidekick 的 AI 伴侣产品。
- 沙盒冷启动时间小于 1 秒,原生支持会话持久化、环境快照及克隆复刻。 - 外挂 Auth Proxy 拦截沙盒出站流量并动态注入凭证,彻底杜绝提示词注入引发的 API Key 外泄风险。 - monday.com 等头部企业已将其部署于其核心生产力辅助工具 Sidekick 中。
[16:07](https://www.youtube.com/watch?v=jWy39wavbjY&t=967s) 从 Prompt 到记忆资产:LangSmith Context Hub 发布与开放记忆标准
除执行沙盒外,驱动高智能动作的另一命脉是上下文(Context)。大语言模型并非全知全能,正如人类遇到盲区会走进图书馆翻阅书籍一样,智能体同样依赖上下文扩充认知边界。在过去几年中,上下文的形态发生了质的跃迁:早期 LangChain 推出的 Prompt Hub 仅用于存储和管理版本化提示词;而随着编程智能体生态的规范化,上下文已快速迭代为包含极其详细执行指令的 `agents.md` 规范文件以及标准化技能库(Skills),这二者均已成为开源基金会接纳的开放标准。为了紧跟这一趋势,演讲者正式发布了 LangSmith Context Hub。
Context Hub 不仅接管 `agents.md` 和 Skills,还吸收了 Andrej Karpathy 等先锋提倡的“LLM Wikis”模式——即利用模型从繁复数据中总结并提炼出高度凝练的 Markdown 知识库。Context Hub 提供端到端的版本控制、标签分类和团队评审批注系统。开发者可以将其直接拉取到本地开发环境、接入 CLI 终端,或以虚拟文件系统形式无缝挂载至 Deep Agents 中。更深层次上,演讲者将这套上下文管理视作智能体长期记忆(Memory)的初具雏形,并极力倡导开放生态:“We think memory should not be locked in to an LLM, to a framework, or to a platform.”(我们认为记忆绝不应该被锁定在某个特定的大模型、某个特定的开发框架或单一平台上。)为了建立真正厂商中立的智能体开放记忆标准,LangChain 正在与 Redis、Elasticsearch、MongoDB 以及 Pinecone 等知名数据库与向量检索公司展开全面联合推进。
- Context Hub 统一纳管版本化的 `agents.md`、标准化技能库(Skills)以及自动化生成的 Markdown Wiki 知识库。 - 原生集成 Deep Agents 虚拟文件系统,同时支持本地 CLI 导出与消费。 - 携手 Redis、Elastic、Mongo、Pinecone 共同制订跨框架、跨模型锁定(vendor lock-in)的开放记忆标准。
[18:42](https://www.youtube.com/watch?v=jWy39wavbjY&t=1122s) 监控监控与两大约束:发布 LangSmith LLM Gateway 应对成本与数据风险
智能体生命周期的最终一环是监控(Monitor)。当系统在生产上线后,观测并分析智能体的实际行为变得至关重要。LangSmith Observability 提供了全套可观测方案:通过调用链追踪(Tracing)对每一步的输入输出进行显微镜式的排查;利用实时仪表盘监控长周期的 API 开销与延迟趋势;在生产流量中部署在线评测(Online Evals),挂载 LLM-as-a-judge 或定制代码探针,捕捉并汇总用户真实反馈。
```mermaid flowchart TD accTitle: LangSmith LLM Gateway 架构与拦截流 accDescr: 展示智能体在请求大模型调用时经由 LangSmith LLM Gateway 进行配额拦截与安全防护的过程
AgentApp["运行中的智能体集群 (Agent Run)"] Gateway["LangSmith LLM Gateway (Beta)"]
subgraph Governance ["治理与控制策略"] Budget["成本与支出预算拦截 (Spend Limits)"] Guardrails["敏感数据防泄露护栏 (Guardrails)"] end
ModelProviders["底层大模型服务商 (OpenAI / Anthropic 等)"]
AgentApp -->|"发起模型请求"| Gateway Gateway --- Governance Gateway -->|"合规安全放行"| ModelProviders ```
然而,演讲者强调,为单个实验性智能体做可观测性并不困难,但当企业并发运行 10 个甚至 100 个生产级智能体集群时,必须将工程治理(Governance)摆在首位——核心痛点集中在“失控的成本”与“意外的数据暴露风险”。一方面,随着模型调用频次增加,企业面临预算被不可预见地瞬间击穿的风险;另一方面,具备强数据操纵能力的智能体绝对不应拥有无边界的数据可见权限。为了应对这一治理风暴,演讲者在全场的喝彩与调侃中,正式宣布推出测试版的 LangSmith LLM Gateway。作为直接横亘在智能体应用层与底层大模型调用之间的网关代理,LLM Gateway 赋予管理者对 Token 消费预算的硬性限额控制机制、全局可见的花费分析看板,以及抵御越权与数据泄露的实时 Guardrails 拦截护栏。
- 治理的核心挑战:监控从单体试点扩展至上百个智能体时的算力成本激增与企业敏感数据越界暴露。 - LangSmith LLM Gateway(Beta 版)作为透明代理层,坐落在智能体代码与大语言模型 API 之间。 - 网关具备全局花费全景透视(total visibility)、用户级和应用级支出阈值限制(spend limits),以及动态输入输出 Guardrails 安全护栏能力。
[20:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=1240s) 从 LLM Gateway 到 Managed Deep Agents:一键打通全生命周期
在回顾了帮助进行 PII 与机密检测的 LLM Gateway 后,Harrison Chase 指出该网关已深度集成市面上大量主流的代码 Agent(Coding Agents)。由于代码生成与执行是目前用户采用最广泛、消耗成本最高昂的场景,LangChain 确保了该网关能够无缝连接主流的代码 Agent 以及所有主流模型提供商,且所有调用都会被自动追踪(Trace)并沉淀至 LangSmith。
Harrison 总结道,将一个 Agent 从原型推向生产环境,需要经历完整的 Agent 开发生命周期(Agent Development Lifecycle, ADLC),其中涉及编排、沙箱、记忆、工具集成等多个繁杂组件。为了让开发者摆脱胶水代码的折磨,LangChain 宣布推出 **Managed Deep Agents** 并开启私有预览(Private Preview)。它将底层以 Deep Agents 作为 Harness 的架构封装为统一的单一 API,由 LangSmith Deployments 负责部署运行,可无缝访问包括 OpenAI、Anthropic 以及 Fireworks、BaseTen 等开源模型在内的各类服务。
```mermaid flowchart TD accTitle: Managed Deep Agents 体系架构 accDescr: 展示 Managed Deep Agents 如何将部署运行环境、记忆存储、安全沙箱与外部 MCP 工具集成连接在一起。
subgraph Core["Agent 核心与控制"] MDA["Managed Deep Agents (单一 API)"] Deploy["LangSmith Deployments 运行环境"] CH["Context Hub (指令与记忆版本化)"] MDA --> Deploy MDA <--> CH end
subgraph Execution["外部执行与集成"] SB["LangSmith Sandboxes (独立代码沙箱)"] MCP["MCP 工具生态 (直连 / Arcade)"] Stream["全新流式传输协议 (Streaming Protocol)"] Deploy -->|"安全隔离开销"| SB Deploy <-->|"连接工具"| MCP MDA -->|"流式输出"| Stream end
subgraph Clients["前端与交互框架"] Copilot["CopilotKit / Assistant UI 等"] Stream --> Copilot end ```
在 Managed Deep Agents 的架构中,核心指导原则是“Agent 运行时与工具执行环境严格物理隔离”:Agent 在部署环境中运行,而代码执行与工具编写则交由 LangSmith Sandboxes 提供安全支撑;Agent 的全局系统指令与长期记忆统一保存在 Context Hub 中,方便追踪与多版本对比;外部工具统一基于 MCP(Model Context Protocol)接入,支持直连或通过 Arcade 等聚合伙伴集成;最后,全链路数据通过全新流式协议输出给前端界面(如 CopilotKit 或 Assistant UI)。
- “And so to make that into a single API, today we're announcing in private preview, Managed Deep Agents.” —— Harrison Chase 宣布将复杂的生命周期组件收拢进统一 API。
---
[22:49](https://www.youtube.com/watch?v=jWy39wavbjY&t=1369s) 为什么 Trace 是 Agent 的核心:CTO Ankush Gola 登场
Harrison Chase 强调,无论是 LangChain 开源框架还是 LangSmith 商业平台,其底层运转的枢纽全部围绕着 **Trace(追踪)** 展开。“Trace 坐落在整个生命周期的核心”,而公司内部对 Trace 思考最深、最执着的人莫过于联合创始人兼 CTO Ankush Gola。在全场的欢呼与掌声中,Ankush Gola 接管舞台,分享了关于 Agent 可观测性(Observability)在数据基建层面的严峻挑战。
Ankush 直言,Agent 的 Trace 与传统微服务的请求链路有着本质区别。传统的 APM 仅记录结构化的状态码和时延,但每一个 Agent Trace 记录的却是一个系统在特定时间点下的**动态行为记录(Behavioral Record)**。随着长思维链模型、多步 ReAct 规划以及大上下文窗口的普及,Agent Observability 带来了一场前所未有的数据基础设施危机。
Ankush 指出了现代 Agent 追踪数据的几大突出特征: - **深度嵌套且步数庞大**:单次任务往往包含成百上千甚至数万个中间步骤(Intermediate Steps)。 - **载荷巨大且无上限(Large and Unbounded)**:LLM 每次交互的 Prompt、Thought 和工具输出成倍增长。 - **多模态数据混杂**:除了文本,客服场景中的实时音频(Voice)以及视觉图像(Images)被高频记录进 Trace。 - **查询与检索模式复杂**:排查 Agent 缺陷并非简单的 SQL 等值匹配,而需要跨层级过滤、文本意图检索与特定会话状态回放。
- “Each agent trace captures the unique behavioral record of what your agent actually did at a specific point in time.” —— Ankush Gola 阐明 Trace 为何是 Agent 可观测性的基石。
---
[25:58](https://www.youtube.com/watch?v=jWy39wavbjY&t=1558s) 爆炸性增长的数据载荷:从 Kilobytes 到 Terabytes 的跃迁
为了让观众对这种基础设施压力有直观感知,Ankush 展示了 LangSmith 某真实企业级客户的 Trace 调用量走势曲线。在早期的评估与开发阶段,周追踪量仅有寥寥数万;但随着 Agent 跑通上线,新的 Agent 产品线快速铺开,该客户目前的周 Trace 记录量已经突破 **1.5 亿条(150 million)**。
更可怕的是单条 Trace 载荷体积的剧烈膨胀。LangSmith 的监控指标显示: - **中位数(P50)体积**:在过去两年内从 6 KB 飙升至 37 KB。 - **极端长尾(P99)体积**:直接从过去本就不小的 364 KB 暴增到了如今的 **12 MB**。 - **极端单日流量**:在今年早些时候,仅凭**单个客户**在一天之内就向 LangSmith 灌入了高达 **50 TB** 的 Trace 数据。
在现场大屏上,Ankush 播放了一个提取自内部 GTM(Go-To-Market)业务 Agent 的实际 Trace 案例:这个基于 Deep Agents 架构构建的运行记录不仅有着数千层错综复杂的调用栈,其单次 Trace 竟累计包含了 **810 万个 Token(8.1 million tokens)**。Ankush 警告,现有的传统时序数据库或日志系统根本无法承受这种高并发、大载荷的深层嵌套数据;继续强行依赖旧架构,必然会遭遇查询卡死、写入瓶颈以及指数级上涨的基础设施账单。
- “When you're iterating on your agent, you cannot afford to have slow and cumbersome interactions with your agent traces.” —— Ankush Gola 解释为何必须构建专用数据库来支撑敏捷迭代。
---
[27:55](https://www.youtube.com/watch?v=jWy39wavbjY&t=1675s) 隆重发布 SmithDB:专为 Agent 可观测性打造的数据库
面对通用数据库在 Agent 场景下的溃败,Ankush 宣布正式发布 **SmithDB** —— 一款专为 Agent Observability 工作负载定制的全新底层数据库。团队历经数月打磨,已将其实际投入生产环境验证,并取得了极其显著的提速效果。
随后的产品宣传片以充满冲击力的节奏生动呈现了 SmithDB 的价值主张:传统检索系统面对几百万条以文本、多模态形式呈现的复杂对话时速度急剧退化,而 SmithDB 让工程师能够秒级检索跨越完整 Trace 的全部上下文(Full-trace Content)、按语义查询整场对话并无缝处理超大图谱数据,让“从获取数据到得出见解、再到完成系统优化”的迭代闭环彻底变快。
- “Introducing SmithDB, the database purpose built for agent observability.” —— 官方产品片揭晓 SmithDB 定位。
---
[29:38](https://www.youtube.com/watch?v=jWy39wavbjY&t=1778s) SmithDB 内部架构拆解:计算存储分离与极致索引设计
视频播放完毕后,情绪高昂的 Ankush 深入剖析了 SmithDB 的底层技术架构设计。SmithDB 最基础的设计决策是将数据完全持久化在**对象存储(Object Storage)**之上。这一选择带来了三大核心优势: 1. **极低的存储成本与近乎无限的容量扩展**。 2. **纯粹的计算与存储分离(Compute-Storage Separation)**:当集群需要横向扩容查询节点时,完全不需要进行复杂且高风险的数据重新分片(Sharding)和数据搬迁(Reshuffling)。 3. **极佳的自托管(Self-Hosted)适配能力**:针对有严格数据驻留(Data Residency)与隐私法规的企业,基于对象存储的架构能非常敏捷地在本地基础设施拉起。
```mermaid flowchart LR accTitle: SmithDB 读写架构与数据流图 accDescr: 说明客户端请求如何经由 Cluster Manager 路由,流经 Ingestion、Postgres 元数据中心、对象存储以及 Compaction 优化组件。
subgraph Routing["集群路由"] CM["Cluster Manager (黏性路由 Sticky Routing)"] end
subgraph WritePath["写入路径 (Ingestion)"] RawTrace["原始 Trace 数据"] --> IngestSvc["Ingestion 服务 (批处理)"] IngestSvc -->|"持久化写入"| ObjStore[("对象存储 (S3 等)")] IngestSvc -->|"注册索引元数据"| Meta[("Postgres 元数据中心")] end
subgraph CompactionPath["存储优化"] Compaction["Compaction 服务"] <-->|"重塑文件排布"| ObjStore end
subgraph ReadPath["查询路径 (Query & Scan)"] QueryEngine["查询计算引擎"] -->|"查询需要扫描的文件"| Meta QueryEngine <-->|"SSD / 内存二级缓存"| ObjStore end
CM -->|"均匀分发与缓存亲和"| IngestSvc CM -->|"均匀分发与缓存亲和"| QueryEngine ```
在运行机制层面,LangSmith 的各个微服务经由 **Cluster Manager(集群管理器)** 获取调度指令后接入 SmithDB。Cluster Manager 不仅在节点间均匀分配负载,还引入了关键的**黏性路由(Sticky Routing)**机制,最大限度提升本地缓存命中率并高效组织写入批处理。
- **写入路径(Ingestion)**:原始 Trace 进入 Ingestion 节点后,经过攒批聚合,可靠地刷入底层对象存储,随后将对应文件切片在基于 PostgreSQL 的元数据库(Metastore)中完成注册。 - **存储优化(Compaction)**:后台的 Compaction 服务持续对分散的 Trace 文件重塑(Shape),合并碎片,使其物理布局更适合列式或结构化扫描。 - **查询路径(Query & Scan)**:执行查询时,引擎先向 PostgreSQL 快速精确定位所需扫描的文件集合,再从对象存储按需拉取数据。为了阻断高昂的对象存储网络 RTT 开销,节点层配备了极为激进的 **SSD 本地缓存与内存缓存**。 - **定制全文检索(Full-Text Search)**:为了在动辄包含数兆文本的 Trace 链路上实现即时交互搜索,团队专门为对象存储量身打造了**定制倒排索引物理布局(Custom Inverted Index Layout)**。无论是针对元数据、Tag、延迟阈值的范围过滤,还是针对内部执行具体状态的随机访问,响应均达到“近乎即时”(Nearly Instant)的毫秒级水平。
- “To accomplish this, we've actually built a custom inverted index layout specifically designed for object storage.” —— Ankush Gola 揭开在对象存储上实现海量 Agent Trace 毫秒级文本检索的核心黑科技。
[33:40](https://www.youtube.com/watch?v=jWy39wavbjY&t=2020s) SmithDB 的极致性能与现代技术栈架构
Ankush Gola 重点展示了 SmithDB 带来的颠覆性性能飞跃。与旧架构相比,针对 LangSmith 的可观测性工作负载,SmithDB 实现了 6 倍至 15 倍的查询提速。客户反馈同样极为热烈,像 Clay 的 Jeff 和 Vanta 的 Andy 均明确表示,作为早期采用者,SmithDB 彻底重塑了他们在 LangSmith 中处理与排查 Trace 的实际体验。
为了承载高密度的 Agent 可观测性数据,团队完全采用现代技术栈打造 SmithDB:核心引擎完全由 Rust 编写,底层依赖两大知名开源项目构建——负责查询引擎的是 Apache DataFusion(一个具备高度扩展性的 Rust 原生 SQL 查询框架),而负责底层存储格式的则是 Vortex(支持针对不同数据列自定义编码算法与分块策略的扩展性文件格式)。在这套底座之上,团队自研了面向全文检索的深度索引定制、专有的查询规划与物理执行算子,并重构了适配海量遥测数据的专属存储布局。
```mermaid flowchart TD accTitle: SmithDB 底层架构示意图 accDescr: 展示了查询计划、全文索引、Apache DataFusion 引擎、Vortex 格式以及内存/SSD 与对象存储的分层架构。 subgraph Compute["计算与执行层 (Rust)"] QP["自研执行计划 (Top-K/时间窗口)"] IDX["全文检索定制索引"] DF["Apache DataFusion 查询引擎"] end subgraph Storage["存储与缓冲层"] VTX["Vortex 格式 (自定义编码/分块)"] BUF["双层缓存 (内存 + 本地 SSD)"] OBJ["对象存储 (持久化数据)"] end QP --> DF IDX --> DF DF --> VTX DF --> BUF BUF -->|"异步落盘与压缩"| OBJ ```
- 核心重写:底层全栈采用 Rust 构建,从根本上兼顾极致性能与内存安全。 - 查询引擎:基于 Apache DataFusion 扩展,允许深度注入定制化的优化规则。 - 存储格式:引入 Vortex,针对 Agent 运行时不同特征的列采用精细化编码及分块策略。
---
[35:20](https://www.youtube.com/watch?v=jWy39wavbjY&t=2120s) 解决 Agent 可观测性中的三大核心工程挑战
在构建 SmithDB 的过程中,团队攻克了大量棘手的技术难关。Ankush 梳理了其中最关键的三大痛点:首先是**分布式跨度合并(Distributed Spans)**。由于 Agent 的执行周期往往极长,甚至横跨数小时,导致任务的启动事件与结束事件之间存在巨大的时间鸿沟。如何在查询期(Query Time)与后台压缩期(Compaction Time)高效率地搜寻、匹配并融合成完整的调用链路,是团队投入大量精力解决的核心问题。
其次是**高成本的 Top-K 查询**。LangSmith 界面中最常见的检索行为是带有 `ORDER BY` 和 `LIMIT` 的 Top-K 查询。常规的做法是将时间范围内的数据文件全部列出、大范围扇出(Fan-out)、扫描然后再做内存归并与截断,这在对象存储(Object Storage)上会产生海量的 API 调用与带宽开销。SmithDB 提出了一种基于滑动时间窗口的扫描方案,并将其直接固化到自研的物理执行计划中,成倍压低了请求开销。
最后是**最新摄入数据的高速服务(Leading-Edge Queries)**。监控与排障场景极度依赖“刚刚发生”的实时数据。SmithDB 在数据摄入阶段引入了双层缓冲机制:即使用户数据已经被持久化刷入对象存储,摄入服务依然会在本地内存和高速 SSD 中保留一份副本。当查询服务请求最新的前沿数据时,可以直接走本地高速缓存拉取,彻底避免了去对象存储重复拉取、合并海量小文件带来的延迟与碎片问题。
---
[37:19](https://www.youtube.com/watch?v=jWy39wavbjY&t=2239s) 为 Agent 打造工具:SmithDB 正式上线与全网推广计划
Ankush 强调,优化 LangSmith 的性能不仅仅是为了提升人类工程师的使用体验(Human UX),更关键的是服务于 Agent 本身的调用体验(Agent UX)。在现代开发范式下,Agent 已经从“被观察的对象”逐渐演变成了“LangSmith 的直接调用者”,如果底层检索与诊断工具缓慢笨重,整个智能体系统的吞吐与反应能力将遭遇断崖式下跌。
谈及工具链瓶颈时,Ankush 引用了系统领域权威专家的论断:“正如 Jeff Dean 所说,随着基于 Agent 的系统以数倍于人类的速度运转,你的底层工具很容易变成阿姆达尔定律(Amdahl's Law)中的性能瓶颈。”
在发布会现场,Ankush 正式宣布:**SmithDB 现已全面接管并上线支持 LangSmith 美国云(US Cloud)的核心可观测性负载**。这意味着所有登录 `smith.langchain.com` 的开发者,其项目链路跟踪页面均已完全跑在 SmithDB 之上。接下来,团队正加速将全套 Web UI 迁移至 SmithDB,并将该架构推广至全球云集群(Global Cloud)与私有化部署(Self-hosted)环境。
---
[38:50](https://www.youtube.com/watch?v=jWy39wavbjY&t=2330s) 跨越“看清”阶段:发布 LangSmith Engine 智能体
Harrison Chase 重返舞台,用诙谐的语气为研发团队点赞:“正如大家所见,我干的活既有趣又轻松——就是站在台上讲讲我们做了什么;而 Ankush 和整个团队则在台下啃硬骨头,攻克极度复杂的工程挑战和数据库系统,为整个 Agent 开发生命周期(ADLC)提供坚实支撑。”
Harrison 严肃地指出,尽管 SmithDB 奠定了前所未有的坚实基础设施,但单纯拥有可视化(Observability)与链路追踪“仅仅只是拿到了准考证(Table stakes)”。在生产环境中面对数十万乃至数百万条 Trace 时,开发者的迭代飞轮(Iteration Flywheel)依然转动得极其痛苦: 1. **发现问题极难**:在百万级 Trace 汪洋中筛选出异常调用无异于大海捞针; 2. **理解问题极难**:单条链路异常冗长,人工逐行比对 LLM 在哪一步调错了工具十分耗时; 3. **修复问题极难**:到底是该改 Prompt、重写业务逻辑还是调整工具定义?定位归因扑朔迷离; 4. **防止复发极难**:修改往往陷入“打地鼠(Whack-a-mole)”困境——修复了一个 Case,调整了提示词,旧 Bug 又在别处重现。
面对这串令人厌烦却必须解决的系统性泥潭,Harrison 给出了团队的答案:“当你手头有一大堆既繁琐复杂又至关重要、而你本身又不想亲自去做的事情时,该怎么办?当然是造一个 Agent 来替你搞定。” 伴随着台下的掌声,LangChain 正式发布了集成在平台内部的常驻、主动执行型智能体——**LangSmith Engine**。
```mermaid flowchart LR accTitle: LangSmith Engine 闭环工作流 accDescr: 展示了从 Trace 数据到 LangSmith Engine 自动化分析,并联动代码库、数据集、Context Hub 与评测体系的闭环。 TR["海量 Traces 数据 (SmithDB)"] --> ENG["LangSmith Engine (背景常驻智能体)"] subgraph Actions["自动化修复与防护动作"] GH["代码库 (GitHub PR / 修改建议)"] DS["测试数据集 (扩充防倒退样本)"] CH["Context / Prompt Hub (提示词演进)"] EV["在线评测体系 (防回归告警监控)"] end ENG -->|"提取优先级与证据链"| GH ENG -->|"回流 Corner Cases"| DS ENG -->|"针对性优化上下文"| CH ENG -->|"沉淀监控规则"| EV ```
- 核心定位:在后台按计划静默运行、具备主动推断与行动能力的专属诊断智能体。 - 根因分析:主动巡检 Traces,识别隐患后打上优先级标记,并附带最直接的 Trace 证据链。 - 闭环能力:直接联动生态组件。若挂载 GitHub 可直接建议改写代码;可主动提取错误样本扩充评测数据集(Dataset);能对接 Prompt Hub 迭代提示词;并支持配置持续在线评测(Online Evals),彻底杜绝错误复发。
---
[43:36](https://www.youtube.com/watch?v=jWy39wavbjY&t=2616s) 构筑 ADLC 全栈平台与 Interrupt 26 展望
Harrison 宣布 **LangSmith Engine 即日起正式开启公开测试(Public Beta)**,现场参会者已纷纷打开笔记本电脑上手尝鲜。回顾 LangChain 的演进路线,公司的终极目标是构筑横跨整个 Agent 开发生命周期(Agent Development Lifecycle, ADLC)的底层统一平台:从早期的 Observability、Evals 到 Prompt Hub,再到今天发布的基石底层数据库 SmithDB,以及居中自主协调迭代飞轮的 LangSmith Engine。
在演讲尾声,Harrison 动情地强调,LangChain 不仅仅追求成为技术方案的提供者,更渴望成为整个开发者社区与 AI 生态的同行者。这也是举办 Interrupt 大会的真正初衷——在这个技术狂飙突进的时代,为大家提供一个“中断(Interrupt)”日常繁杂事务的契机,停下脚步去学习、思考,并与身旁的同行与生态伙伴深入交流碰撞,共同推进智能体技术的成熟与落地。
## Notable quotes > [02:00](https://www.youtube.com/watch?v=jWy39wavbjY&t=120s) And the teams that have figured out how to build agents reliably, they ship early and then they iterate quickly — Harrison Chase
> [22:49](https://www.youtube.com/watch?v=jWy39wavbjY&t=1369s) Each agent trace captures the unique behavioral record of what your agent actually did at a specific point in time. — Ankush Gola
> [25:58](https://www.youtube.com/watch?v=jWy39wavbjY&t=1558s) When you're iterating on your agent, you cannot afford to have slow and cumbersome interactions with your agent traces. — Ankush Gola
> [16:07](https://www.youtube.com/watch?v=jWy39wavbjY&t=967s) We think memory should not be locked in to an LLM, to a framework, or to a platform. — Harrison Chase
> [37:19](https://www.youtube.com/watch?v=jWy39wavbjY&t=2239s) 随着基于 Agent 的系统以数倍于人类的速度运转,你的底层工具很容易变成阿姆达尔定律(Amdahl's Law)中的性能瓶颈。 — Ankush Gola
> [38:50](https://www.youtube.com/watch?v=jWy39wavbjY&t=2330s) 当你手头有一大堆既繁琐复杂又至关重要、而你本身又不想亲自去做的事情时,该怎么办?当然是造一个 Agent 来替你搞定。 — Harrison Chase
## Mentioned Harrison Chase, Ankush Gola, Jeff Dean, Andrej Karpathy, LangChain, LangGraph, Deep Agents, Deep Agents 0.6, Deep Agents Code, LangSmith, LangSmith Deployments, LangSmith Sandboxes, LangSmith Context Hub, LangSmith LLM Gateway, LangSmith Engine, Managed Deep Agents, SmithDB, Apache DataFusion, Vortex, QuickJS, GLM-5, DeepSeek, NVIDIA Nemotron, Fireworks AI, BaseTen, NVIDIA, CopilotKit, assistant-ui, Vercel, Workday, Cisco, Etsy, Podium, ByteDance, monday.com, Redis, Elasticsearch, MongoDB, Pinecone, Clay, Vanta, Rust, PostgreSQL, MCP
## Video description At the opening keynote from Interrupt 26, LangChain's annual agent conference. Harrison Chase (CEO & co-founder) and Ankush Gola (CTO & co-founder) walk through the Agent Development Lifecycle: the framework top teams use to build, test, deploy, and monitor AI agents in production, as well as a wave of new LangChain launches across every stage of that lifecycle.
More resources - The Agent Development Lifecycle Explained: https://www.langchain.com/blog/the-agent-development-lifecycle - SmithDB: https://www.langchain.com/blog/introducing-smithdb - LangSmith Engine: https://www.langchain.com/blog/introducing-langsmith-engine - Try LangSmith: https://smith.langchain.com - Deep Agents 0.6: https://www.langchain.com/blog/deep-agents-0-6 - LangSmith Sandboxes: https://www.langchain.com/blog/introducing-langsmith-sandboxes-secure-code-execution-for-agents - LangSmith Context Hub: https://www.langchain.com/blog/introducing-context-hub - Managed Deep Agents: https://www.langchain.com/blog/introducing-managed-deep-agents
0:00 Intro 1:27 Welcome from Harrison Chase, CEO of LangChain 2:00 Why building agents is different from building software 3:53 The Agent Development Lifecycle overview 4:57 LangChain, LangGraph & Deep Agents 6:34 What is Deep Agents? The Agent Harness explained 8:56 New: Deep Agents 0.6 14:48 New: LangSmith Sandboxes 16:07 New: LangSmith Context Hub 19:20 What is the Agent Development Lifecycle? 20:09 New: LangSmith LLM Gateway 21:33 New: Managed Deep Agents 23:36 Ankush Gola, CTO of LangChain 25:58 The payloads of agent traces are getting larger 27:55 New: SmithDB 29:38 The architecture of SmithDB 34:00 How Clay & Vanta use SmithDB 38:50 New: LangSmith Engine 43:50 Building the platform for the entire ADLC
[Source](https://www.youtube.com/watch?v=jWy39wavbjY)