LangChain发布Fleet平台与实验室 押注无代码与持续学习

The Future of AI Agents: What Will Interrupt 2027 Look Like? | Interrupt 26 — LangChain

LangChain

随着智能体分化为长周期与低延迟两大形态,企业无需微调底层模型权重,仅凭运行框架调优与业务人员无代码编排即可驱动系统持续进化。

AI-assisted summary of The Future of AI Agents: What Will Interrupt 2027 Look Like? | Interrupt 26 — original source. Check the original for full context.

Source published:

Key ideas

  • LangChain 预测未来 AI Agent 将出现两大技术分野:一类是面向复杂知识工作、单次运行可达数小时至数天的长周期(Long-horizon)Agent;另一类则是严苛追求极低延迟与品牌交互的客户体验(Customer Experience)Agent。 (1:22)
  • 持续学习正在从传统的底层模型权重更新演进为三层优化架构(模型层、Harness 运行时层与上下文层),评估指标与追踪链路(Traces)在其中扮演着类似“训练梯度”的优化约束角色。 (7:26)
  • LangChain 正式成立内部前沿研究团队 LangChain Labs,专注于依托生产环境中的追踪数据和评测体系系统化解决 Agent 的持续自我优化与进化难题。 (9:34)
  • LangChain 全面推出无代码智能体平台 LangSmith Fleet,支持通过自然语言配置复杂 Agent 并直接接入 Slack 与主流工具;其内部 GTM Agent 已使合格商机转化率提升 240%,人均月度节省 40 小时。 (12:39)

Detailed notes

## Background 该视频由 LangChain 于 2026 年 5 月 21 日在 YouTube 平台发布。视频内容为 Interrupt 26 大会第二天的开幕演讲,由 Harrison Chase、Brace Sproul 与 Caroline di Vittorio 共同登台,展望 AI Agent 的未来演进趋势,并正式发布 LangChain Labs 与 LangSmith Fleet 的最新功能。

## TL;DR 演讲首先前瞻了面向 Interrupt 2027 的关键技术趋势,包括长周期与客户体验型 Agent 的形态分化、端到端语音架构、代码沙箱的必要性、开源模型崛起、身份认证机制,以及以评估指标为梯度的三层持续学习架构。随后,团队正式宣布成立专注于 Agent 自我进化的前沿研究团队 LangChain Labs。最后,团队展示了无代码构建平台 LangSmith Fleet,通过内部 GTM Agent 和软件工程师 Agent 的实机演示,呈现了由业务人员自主构建、整合工具链并保留人工在环(Human-in-the-loop)的企业级多 Agent 协作工作流。

## Atmosphere & style 整场演讲洋溢着前沿技术大会特有的极客热情与务实氛围,节奏紧凑明快。Harrison Chase 开场自嘲且诚恳,将宏大的未来预测与扎实的工程实践紧密交织,调动起全场对技术演进的想象力;随后的产品演示环节则轻松诙谐,团队成员通过直观的人机协同操作和真实的业务数据,将抽象的概念落地为可感知的生产力工具,给观众带来兼具前瞻视野与工程落地底气的沉浸式体验。

## Bulletin - [01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) LangChain 预测未来 AI Agent 将出现两大技术分野:一类是面向复杂知识工作、单次运行可达数小时至数天的长周期(Long-horizon)Agent;另一类则是严苛追求极低延迟与品牌交互的客户体验(Customer Experience)Agent。 - [07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 持续学习正在从传统的底层模型权重更新演进为三层优化架构(模型层、Harness 运行时层与上下文层),评估指标与追踪链路(Traces)在其中扮演着类似“训练梯度”的优化约束角色。 - [09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) LangChain 正式成立内部前沿研究团队 LangChain Labs,专注于依托生产环境中的追踪数据和评测体系系统化解决 Agent 的持续自我优化与进化难题。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangChain 全面推出无代码智能体平台 LangSmith Fleet,支持通过自然语言配置复杂 Agent 并直接接入 Slack 与主流工具;其内部 GTM Agent 已使合格商机转化率提升 240%,人均月度节省 40 小时。

## Key takeaways - [01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) 长周期 Agent 与客户体验 Agent 将在底层架构上分化,分别侧重于规划推理与沙箱执行,以及语音/视频模态下的超低延迟响应。 - [02:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=162s) 语音交互将成为面向客户体验 Agent 的关键战场,技术路线正面临传统“STT-LLM-TTS 三明治”架构与原生端到端(Speech-to-Speech)语音模型的权衡与融合。 - [03:58](https://www.youtube.com/watch?v=R9K2574YEAg&t=238s) 沙箱(Sandbox)执行环境是长周期 Agent 自主运转的刚性基石,代码编写与执行能力正扩展至数据分析、网络检索与深度研究等全量知识工作。 - [04:47](https://www.youtube.com/watch?v=R9K2574YEAg&t=287s) 开源模型在 Agent 场景正凭借逼近顶尖闭源水准的基线能力、显著的推理成本优势以及依托企业私有业务轨迹(Traces)进行微调的潜力而加速普及。 - [06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) Agent 身份认证机制已分化为“代用户执行(继承用户临时凭据)”与“独立固定凭证(企业服务账号)”两种长期共存的范式。 - [07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 现代 Agent 系统包含模型层、Harness 外壳运行时层与上下文层三层架构,每一层都存在独立的持续学习与迭代空间。 - [09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) 评估指标(Evals)与系统追踪数据(Traces)在 Agent 架构中承担着类似反向传播梯度的功能,在完全冻结基座模型的条件下仅优化 Harness 即可带来大幅性能跃升。 - [10:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=642s) 全新成立的 LangChain Labs 将聚焦于智能体持续学习的研究,协助企业利用运行数据打通多层级的自我进化闭环。 - [11:18](https://www.youtube.com/watch?v=R9K2574YEAg&t=678s) 企业 Agent 的构建权正在从单一工程团队下放至业务一线专家,非技术角色对业务逻辑与质检标准的深刻理解是 Agent 交付质量的关键。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangSmith Fleet 采用全自然语言无代码构建,集成了 200 余种原生工具、数千项第三方工具,并全面兼容 MCP 协议以接入企业私有资产。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) 企业在规模化应用 Agent 时需要端到端的治理能力,包括基于身份的凭据隔离、预算调用额度约束以及内置的 Human-in-the-loop 人工审核防线。 - [17:41](https://www.youtube.com/watch?v=R9K2574YEAg&t=1061s) LangChain 内部实践证明,通过 Fleet 构建的业务 Agent 能带来实质性的生产力提升,例如 GTM Agent 实现了 84% 的团队周活度与 240% 的转化效率增长。 - [20:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=1226s) Fleet 提供开箱即用的预构建 Agent(如 GTM 与 SWE Agent),支持在 Slack 中触发沙箱编程并直接提交 GitHub PR,企业只需轻量引导即可上线。 - [21:28](https://www.youtube.com/watch?v=R9K2574YEAg&t=1288s) LangSmith Fleet 在 Fireworks AI 的算力支持下直接内置了开源模型供全员免费试用,以实践践行对开放模型生态的承诺。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=R9K2574YEAg&t=0s) 开场与设想 Interrupt 2027

Harrison Chase 在大会第二天开场时首先对幕后团队表达了诚挚的感谢。他幽默地向台下观众表示,这绝对是他参加过的最酷的技术大会,而自己“其实根本没出什么力”,全靠幕后团队的辛勤付出,并特别点名感谢了 Jess、Julia、Jacob 和 Brianna 四位成员,带领全场为他们鼓掌致意。

回顾第一天的日程,Harrison Chase 指出昨天的讨论重心落在当下的工程实践上——大家深入探讨了当前构建 Agent 的真实样貌,以及业内最成功的团队是如何一步步将 Agent 推向生产环境的。而今天的议题则全面转向未来。他坦言在 LangChain 的使命与愿景中,团队一直在深度思考未来的 Agent 到底会演变成什么形态。为了让讨论更具想象空间,他邀请大家一起快进一年,假想现在正是 Interrupt 2027 的现场,看看届时行业究竟会争论哪些话题。Harrison Chase 自嘲道:“And I'm going to be wrong in a lot of these.” 他承认其中很多预测在未来回头看可能会显得非常愚蠢可笑,但他依然希望借此为众人勾勒出团队眼中 AI Agent 领域的发展航向。

[01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) Agent 的两大分化形态:长周期与客户体验

Harrison Chase 观察到,业界构建 Agent 的技术路线正在发生明显的分化,未来将分流为两种截然不同的核心形态,而这种苗头在当下已经初露端倪:

一种是面向复杂任务的“长周期”(Long-horizon)Agent。这类 Agent 单次运行时间会长达数分钟、数小时,未来甚至可能持续数天。它们具备代码执行、自主规划能力,能够协同子 Agent 或运行在多 Agent 系统之中,熟练调用各种专门技能(Skills),并在越来越长的时间跨度内持续运转。随着行业引入明确的产出目标(Outcomes)和全局规划,这类 Agent 处理任务的时间跨度正被不断拉长,未来将在高价值的知识型工作(Knowledge work)中扮演核心角色。

与之截然相反的则是对延迟要求极度严苛的 Agent,这类形态通常表现为“客户体验”(Customer Experience)Agent,例如客户支持和销售场景。在这类直接面向终端用户的交互中,企业品牌形象至关重要,低延迟是刚性需求,语音因而成为极具吸引力的核心交互模态,未来甚至还会延伸至实时视频交互。Harrison Chase 强调,这两种 Agent 底层共享着一部分技术栈,但在具体技术选型上却存在显著分野;未来一年行业需要深入探索的核心命题之一,就是厘清它们之间“通用共享的底层基础设施到底有多少,而各自专属的技术组件又会有多特殊”。

```mermaid flowchart TD accTitle: Agent 分化形态架构图 accDescr: 展示长周期 Agent 与客户体验 Agent 的特征分化及共享技术底座。

subgraph Types["Agent 的两大发展方向"] direction LR subgraph LH["长周期 Agent (Long-Horizon)"] LH1["长耗时任务 (数小时/数天)"] LH2["代码执行与任务规划"] LH3["多 Agent 协作与复杂知识工作"] end subgraph CX["客户体验 Agent (Customer Experience)"] CX1["极低延迟交互"] CX2["客户支持 / 销售场景"] CX3["语音 / 实时视频模态"] end end

subgraph Core["底层共享与专属技术栈"] Shared["共享技术底座 (模型调用 / 追踪评估 / 运行时)"] SpecLH["专属组件: 沙箱环境 / 状态持久化 / 长记忆"] SpecCX["专属组件: 低延迟流式传输 / 音视频端到端引擎"] end

LH --> SpecLH CX --> SpecCX SpecLH --> Shared SpecCX --> Shared ```

[02:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=162s) 语音 Agent 的架构演进与抉择

谈到面向客户体验的 Agent,Harrison Chase 认为语音必然会成为未来一年最受关注的热点,LangChain 也在这一方向加大投入。当前业界主流的语音 Pipeline 普遍采用“三明治”架构:用户的语音输入首先通过 STT(语音转文本)转录成文字,然后送入大语言模型 Agent 进行文本层面的逻辑推理与回答生成,最后再通过 TTS(文本转语音)将文字转换回音频流播放给用户。

然而,原生的端到端语音大模型(Native Speech-to-Speech)正在以极快的速度涌现。例如 OpenAI 在演讲的两周前刚刚发布了其端到端语音模型的 V2 版本。尽管 Harrison Chase 指出当前的行业共识仍然是端到端模型在可控性上有所欠缺——“And while I would say the consensus today seems to be for applications where you really care about having control, they're not quite steerable enough yet, we do expect that to change.” 但他坚信这种不可控的现状很快会被技术突破所打破。接下来的一年中,行业势必会激烈论证:到底该坚持模块化、高可控的传统三明治管线,还是全面拥抱原生的端到端语音模型,抑或是走向某种折中融合方案。

[03:58](https://www.youtube.com/watch?v=R9K2574YEAg&t=238s) 为什么每个 Agent 都需要沙箱(Sandbox)

Harrison Chase 明确断言,未来所有 Agent 都需要配套的执行沙箱(Sandbox),尤其是对于长周期任务 Agent 而言。代码编写与执行能力绝不仅仅局限于传统的软件工程开发,它在数据分析、网页浏览(Web Browsing)、图像生成以及深度调研(Deep Research)中同样发挥着底层支撑作用。

他分享了前一天与一位参会者的交流案例:对方在思考如何为公司的市场营销团队构建 Agent 时,其核心思路其实就是“给市场团队配备一名全职软件工程师”,思考这名工程师会编写什么自动化应用来让市场人员的工作更轻松。赋予 Agent 编写与运行代码的能力,在本质上就是在释放这种软件工程红利。正因如此,安全的沙箱环境是 Agent 自主运行的基石,这也是 LangChain 在大会首日正式上线沙箱产品的原因。Harrison Chase 直言,无论是当前的 Agent 还是沙箱技术都处于非常初期的“破晓阶段”,未来一年该领域将迎来爆发式探讨。

[04:47](https://www.youtube.com/watch?v=R9K2574YEAg&t=287s) 开源模型的崛起与独特优势

在模型基础设施方面,Harrison Chase 预测开源模型将在未来一年迎来显著的爆发。LangChain 针对 Deep Agents 进行了一系列基准评测,对比了开源基础模型与闭源前沿模型在未进行特定任务后训练(Post-training)状态下的性能表现。结果显示,开源模型虽然在某些细分维度上仍稍显落后,但其基线表现已经极度逼近顶尖的闭源前沿水平。驱动开源模型普及的核心动力包含以下三点:

- **逼近前沿的综合表现**:在无需复杂后训练调优的前提下,部分开源底座在处理 Agent 任务时的表现已无限贴近顶尖闭源模型。 - **巨大的成本优势**:成本正在成为大规模部署中的严峻瓶颈。特别是在编程类 Agent 场景下,多轮长逻辑链的运行会极其迅速地消耗海量 Token,开源模型为企业提供了高性价比的替代路径。 - **私有领域的持续微调潜力**:企业能够根据自身的专属业务数据对其进行后训练。Harrison Chase 强调:“A third reason that we think open models are really interesting is because they can be trained for your particular domain.” 随着企业在日常生产中积累下大量的 Agent 运行轨迹(Traces)与日志,如何利用这些数据进行后训练以反哺自身业务模型,将成为开源模型不可替代的核心竞争力。

[06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) Agent 身份与认证机制(Auth Patterns)

随着 Agent 开始在现实业务系统中接管真实的行动并产生副作用(Side effects),身份认证与权限管理(Agent Identity & Auth Patterns)成为了一个极为关键但仍处于探索早期的问题——Agent 究竟以谁的名义在执行操作?目前行业中出现了两种截然不同的认证范式:

第一种是**代用户执行范式(On behalf of individual users)**。在此模式下,Agent 继承当前操作用户的身份权限。例如当 Harrison 唤起一个能够访问企业 Slack 的 Agent 并要求其检索信息时,Agent 使用的是 Harrison 个人的访问令牌与凭证,因此只能看到 Harrison 有权访问的频道与消息;如果换成他的同事 Julia 来调用同一个 Agent,所获取到的信息和答案就会因人而异。

第二种则是**独立凭证范式(Fixed set of credentials)**。Agent 拥有专属的固定身份,通常配置为系统的服务账号(Service Account)。无论组织内的哪位成员与该 Agent 交互,Agent 都统一使用这套固定凭证去访问后端资源,对所有人展现一致的上下文与权限。Harrison Chase 指出,这一范式最早随着 OpenAI 的 Agent 概念而流行开来,现在甚至有越来越多的 SaaS 厂商主动优化流程,让 AI Agent 能够极其顺畅地独立注册企业账号并获取专属凭据。Harrison 预测这两种模式未来将会长期共存:“I think we'll have agents that act on behalf of users, but also agents with their own fixed set of credentials.” 他认为构建者必须极其严谨地权衡适用场景,并在交互界面上向用户清晰揭示当前 Agent 所代表的身份。

[07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 持续学习的三层架构:模型层、Harness 层与上下文层

Harrison Chase 坦言,持续学习(Continual Learning)是 LangChain 作为一家公司感到最兴奋的方向之一。在系统论的视角下,持续学习的本质在于让 Agent 系统随着时间的推移不断自我优化与进化。他将现代 Agentic 系统解构为三个可被独立优化的层级:

1. **模型层(Model Layer)**:底层的基座大语言模型,例如 Claude Sonnet、GLM-4、GPT-4 或开源的 Qwen 等。 2. **测试与运行环境外壳(Harness Layer)**:包裹在模型外侧、负责连接模型与真实运行环境的代码体系与框架,如 Deep Agents、Claude Code、pi 等。 3. **上下文层(Context Layer)**:向 Harness 注入的指导信息,用于约束与引导 Agent 完成具体任务,例如项目根目录下的 `agent.md` 文档规范、预设的任务技能库(Skills)等。Harrison 举例说明,开发者无法直接修改 Claude Code 本身的代码逻辑,但可以通过给它编写定制化的 `agent.md` 或扩展 Skills,来调优它在特定工程任务中的表现。

```mermaid flowchart TD accTitle: Agent 系统的三层持续学习架构 accDescr: 描述上下文层、Harness 层与模型层的层级依赖与优化机制。

subgraph System["Agent 系统的三层架构"] direction TB Context["上下文层 (Context Layer)<br>• agent.md 规则规范<br>• 专业技能库 (Skills)"] Harness["外壳运行时层 (Harness Layer)<br>• Deep Agents / Claude Code<br>• 环境交互逻辑与工具调用"] Model["底层模型层 (Model Layer)<br>• Claude 3.5 Sonnet / GPT-4<br>• Qwen 2.5 / GLM-4 等开源模型"]

Context -->|"注入引导指令"| Harness Harness -->|"封装与驱动"| Model end

subgraph Optimization["各层级的优化实践"] direction TB OptContext["更新与迭代 System Prompts 及 Skills 库"] OptHarness["环境反馈驱动 Harness 自动重构 (如 MetaHarness)"] OptModel["结合业务 Traces 进行领域后训练 / 微调 (如 Ramp 案例)"] end

Context -.- OptContext Harness -.- OptHarness Model -.- OptModel ```

在模型层的持续学习方面,Harrison 引用了 Ramp 与 Prime Intellect 在前一周联合发布的研究成果:他们采用开源模型 Qwen 2.5 并针对其内部报表工具(Ramp Sheets)进行特定领域微调,最终使该模型在保持极低延迟的同时达成了极高的专业准确率,有力证明了开源模型在特定业务领域持续训练的巨大潜力。

在 Harness 层的优化上,Harrison 列举了来自 MIT 和 Stanford 的最新研究成果——MetaHarness。该研究极具启发性地使用一个外置 Agent 去自动优化编程 Harness,并在 Terminal Bench 2 基准测试上进行了迭代实验。“They optimized it on terminal bench 2. And you can see that it outperforms human-written harnesses.” 这一系统通过捕获环境反馈与测试报错,将其送回给负责优化的 Agent,由后者自主修改 Harness 的工程代码,在完全不改变底层模型参数的前提下,取得了超越人类编写 Harness 的卓越成绩。结合自身传统的机器学习研发背景,Harrison 总结道,传统经典机器学习中使用数据反馈进行模型迭代的逻辑,在如今 Agent 系统的各个层级中正在以全新的形态复现。

[09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) 评估作为训练梯度与 LangChain Labs 的发布

Harrison Chase 深入探讨了智能体架构中的持续学习机制。在传统模型训练中,开发者通过梯度下降更新模型权重;但在智能体整体架构的治理中,特别是处于 Harness(运行框架)或上下文层(Context Layer)时,优化的驱动力并非纯粹的梯度下降,而是由评测基准(Evals)充当核心约束。Harrison Chase 解释道:“So in the example of the meta-harness that I just gave, you have these evaluations, Terminal Bench 2, you run the agent on Terminal Bench, you get some feedback, you then pass that into the agentic system and updates it.” 这类评估指标与追踪链路(Traces)实质上为系统进化提供了类似训练梯度的反馈信号。

LangChain 团队分享了自身的实践突破:在不改变任何底层模型权重的完全冻结状态下,仅对 Harness 本身进行迭代改造,其智能体在 Terminal Bench 2 榜单上的排名就从前 30 名跃升至前 5 名。基于对“持续学习将广泛渗透进各层级”的判断,Harrison Chase 正式宣布成立内部前沿研究团队——LangChain Labs。该实验室专注于智能体持续学习,依托 LangSmith 积累的海量 Traces 和反馈数据,协助企业在模型层、框架层及上下文层实现自我优化。

```mermaid flowchart LR accTitle: Harness 层的持续学习循环 accDescr: 展示智能体在评估指标驱动下的反馈优化机制,通过评估结果改进 Harness 而不修改模型权重。 subgraph IterationLoop ["持续评估与学习循环"] A["Agentic System (Harness)"] --> B["Terminal Bench 2 评估"] B --> C["评估反馈与 Traces"] C -->|"类似训练梯度的更新"| A end ```

- 在保持基础模型完全不变的情况下,仅通过修改 Harness 架构,LangChain 在 Terminal Bench 2 基准上的排名从前 30 位飙升至前 5 位。 - LangChain Labs 的核心研发目标是系统化解决企业智能体在生产环境下的持续学习难题。

---

[11:18](https://www.youtube.com/watch?v=R9K2574YEAg&t=678s) 全民构建智能体的时代到来

Harrison Chase 观察到企业协同模式正在发生深远转变:不仅技术人员在调试智能体,来自用户体验研究(UX research)、垂直业务专家、客户支持、产品设计乃至工程团队的所有成员,都在通过即时通讯软件(如 Slack)排错、调整提示词或直接打标反馈。这种来自一线业务人员的高质量认知,往往是决定智能体成败的关键所在。

展望未来,这种交互不仅限于反馈闭环。Harrison Chase 预测道:“They're not just going to be giving feedback on them and handing that off to a separate team, they're actually going to be involved in building these agents.” 智能体的构建者不再是单一的技术研发孤岛,而是懂具体业务的每个人。随后,他将舞台交接给负责产品落地的 Brace Sproul 与 Caroline di Vittorio,共同揭示这一愿景在 LangChain 内部的日常现实。

- 各类非技术角色不仅在日常运营中通过 Slack 或界面提供反馈,更在逐步深度介入智能体的全生命周期构建。 - 业务领域专家(Domain Experts)对业务标准有深刻理解,由其主导或参与构建能够大幅减少沟通误差并提升智能体产出质量。

---

[12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangSmith Fleet:无代码智能体构建引擎

接棒上台的 Brace Sproul 与台下开玩笑互动,询问昨日有谁和自己一样在户外晒伤了。他展示了 LangChain 内部早已实现的全员 Agentic 协作生态:人才招聘团队利用 Sourcing Agent 搜寻候选人,销售团队依赖 Go-To-Market (GTM) Agent 进行客户洞察与销售外发,市场团队依靠 Intel Bot 开展竞品追踪,而工程团队则通过 OpenSuite 自动分流并修复突发线上事故。令人惊叹的是,这些贯穿各个业务环节的智能体,全部由实际使用它们的业务员工自主构建,没有编写哪怕一行代码。

实现这一突破的核心平台正是 LangSmith Fleet——一款支持全自然语言配置的托管型智能体构建平台。Brace Sproul 归纳了团队三年实践提炼的三条核心认知:“One, the best people to build the agents are the ones who actually do the job. Two, agents need to work where you work and have access to the same systems you use. And three, as your agent scale, governance can become a bottleneck.” 他强调智能体的本质不过是指令、技能(Skills)与工具的有机集合,业务当事人最清楚该如何规范这些流程。Fleet 智能体内置记忆系统(Memory),能够在使用中与员工协同进化。

```mermaid flowchart TD accTitle: LangSmith Fleet 生态连接架构 accDescr: 展现 Fleet 智能体通过多层工具集成、工作流连接以及协同治理功能。 subgraph Integrations ["集成能力层"] T1["200+ 内置原生工具"] T2["Arcade 合作 (7,500+ 工具)"] T3["MCP 协议连接私有数据"] end subgraph Channels ["工作流与界面"] C1["Slack / Gmail / Outlook"] C2["Fleet Web UI 控制台"] C3["面向开发者的开放 API"] end subgraph Governance ["协同与治理"] G1["凭据与权限隔离 (Auth)"] G2["预算追踪与上限约束"] G3["LangSmith Traces 监控"] end Integrations --> Channels Channels --> Governance ```

- **三层工具连接体系**:内置覆盖高频场景的 200 余种开箱即用工具;与 Arcade 深度合作以接入长尾的 7,500 多项工具;全面兼容模型上下文协议(MCP),支持顺畅挂接私有工具及专有数据资产。 - **工作流无缝融合**:直接集成至 Slack、Gmail、Outlook 等主流办公软件,同时配备全功能 Web UI 控制台并开放底层 Fleet API 供二次开发。 - **企业级治理与开放性**:提供类似 Google Docs 的资产协同共享机制、精细化的基于身份验证(Auth)与凭据隔离管理、细粒度调用成本与用量预算监控(Spend Limits),全面嵌入人类在环(Human-in-the-loop)防线。系统保持完全开放并对模型无关,底层基于开源智能体框架 Deep Agents 构建,并允许开发者将工程代码直接下载本地修改。

---

[17:41](https://www.youtube.com/watch?v=R9K2574YEAg&t=1061s) 现场演示:GTM Agent 与人机协同流程

Caroline di Vittorio 接过主控,展开了 LangSmith Fleet 的实机演示。演示对象是 LangChain 内部不可或缺的 GTM Agent。该智能体能够聚合来自 CRM(Salesforce)、通话录音平台、数据仓库(BigQuery)的海量信息,进行精准的账户和联系人情报挖掘,并自动拟定定制化外联邮件。为确保可靠性,团队为其配置了若干子智能体(Subagents)处理特定研究任务,并录入了针对固定流程的详细步骤指导(Skills)。团队成员甚至无须打开管理后台,在日常 Slack 频道中 @gtmagent 即可快速唤醒。

谈及业务收益,Caroline di Vittorio 分享了一组亮眼的数据:“The go-to-market team, 84% of the go-to-market team uses it weekly. Lead to qualified conversion is up 240%, and it has saved on average 40 hours per month per rep.” 该智能体最初由专业工程师手写代码交付,但在 Fleet 诞生后,整个体系由业务团队在无代码环境下全面重构与完全接管。

现场演示中,Caroline di Vittorio 输入查询:“Where did we leave things off with a Pied Piper account? What should our next steps be?” 智能体在多数据源检索后提示:该账户目前处于高流失风险(at-risk)状态,对产品定价存在明显疑虑,并明确建议立即向对接人 Jared 发送邮件挽回。当 Caroline di Vittorio 下达“Great. Get an email to Jared, please.”指令后,Fleet 的 Human-in-the-loop 防护机制被实时触发。智能体不会擅自发出外联信件,而是将生成的草稿推送到审核界面由人工核对,Caroline di Vittorio 顺手在界面内纠正了“LangGraph”的大小写拼写错误,展现了在自动化提效的同时保障外联准确与安全的协作平衡。

| 核心评估维度 | 业务成效指标 | |:--- |:--- | | **全员普及率** | GTM 团队中 **84%** 的成员每周保持高频使用 | | **转化效率** | 销售线索至合格商机转化率(Lead-to-qualified conversion)提升 **240%** | | **工时节约** | 平均为每位销售代表每月节省 **40 小时** 的人工劳动时间 | | **开发与维护归属** | 彻底剥离纯工程代码依赖,转为业务线成员在 Fleet 平台全流程独立管理维护 |

[20:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=1226s) 预构建 Agent 与 LangSmith Fleet 开箱即用体验

在完成市场拓展(GTM)Agent 的现场演示后,现场响起了热烈的掌声。演讲者向观众介绍道,LangChain 团队内部日常依赖的诸多 Agent,目前都已经作为开箱即用的预构建 Agent(Pre-built Agents)直接整合进了 LangSmith Fleet 中。除了刚刚演示的 GTM Agent 之外,备受瞩目的还有软件工程师 Agent(Software Engineer Agent)。这款 Agent 赋予团队完全的掌控权:团队成员只需在 Slack 中 @ 它,它便会在独立的沙箱环境中编写代码,并最终直接提交 Pull Request(PR)等待人工审核与合并。

对于企业用户而言,接入这些 Agent 的门槛被降到了最低,完全不需要从零编写复杂的编排代码。演讲者指出,将这些能力引入工作流仅需三个轻量步骤:首先在 Fleet 中创建对应的 Agent,随后将其与企业内部正在使用的各类工具进行权限连接,最后只需完成一段简短的引导流程(Onboarding Flow),让 Agent 充分理解和熟悉公司的业务上下文,即可正式投入日常生产环境。演讲者用一句话概括了这一体验:“All you have to do to use it is create the agent, connect it to the tools that your organization uses, and then go through a short onboarding flow so it gets to know your company, and then you're good to go.”

```mermaid flowchart LR accTitle: Fleet 预构建 Agent 启用流程 accDescr: 展示从在 Fleet 中创建 Agent、连接工具、完成引导流程,到最终在 Slack 中交互并在沙盒内自动提交 PR 的全流程。

subgraph Config["配置与引导阶段"] A["创建预构建 Agent<br/>(GTM / SWE)"] --> B["连接企业工具链<br/>(GitHub, Slack 等)"] B --> C["完成企业 Context 引导<br/>(Onboarding Flow)"] end

subgraph Execution["协同与执行阶段"] C --> D["Slack 中 @ 触发 Agent"] D --> E["沙箱环境编写代码<br/>(Sandbox)"] E --> F["自动提交 PR<br/>供人工审查合并"] end ```

- **预构建模板库**:Fleet 现已预置 LangChain 内部日常验证成熟的 Agent,包含市场拓展(GTM)Agent 与软件工程师(SWE)Agent。 - **深度协同工作流**:SWE Agent 支持直接在企业 Slack 频道中响应调用,自主在沙箱内完成代码编写与调试,并生成标准 PR,保持人类在控制闭环中(Human-in-the-loop)。 - **极简初始化体验**:无需漫长繁琐的模型微调或架构设计,仅需绑定工具并输入公司基础背景信息即可上岗。

---

[21:28](https://www.youtube.com/watch?v=R9K2574YEAg&t=1288s) 践行开源理念:免费模型上线与大会闭幕致辞

在掌声中,LangChain 联合创始人兼 CEO Harrison Chase 重新登台为本场 Keynote 做收尾演讲。Harrison 热情地呼吁现场及线上的所有开发者即日起上手体验 LangSmith Fleet,并坦言:“I use it myself for a variety of tasks.” 他提到自己每天都会使用 Fleet 来处理各种各样的实际工作。

为了降低所有人的上手与试用门槛,LangSmith Fleet 特别推出了一项限时福利:平台内直接内置了一款免费模型供用户探索。Harrison 特别强调,这正呼应了演讲前半段重点阐述的技术趋势——开源模型的崛起与成熟。为了将“知行合一”落到实处,这款免费模型正是一款完全开源的模型,并由大会的重要合作伙伴 Fireworks AI 提供底层推理算力支持。正如 Harrison 所说:“So we try to live what we preach in terms of open source models and also trying to have the best partners here.” 他最后鼓励所有与会者移步会场展区,与活跃在展台上的众多前沿生态合作伙伴进行面对面交流探讨,并正式宣布 Interrupt 26 第二天的开幕主题演讲圆满结束。

- **全面开放体验**:LangSmith Fleet 当天起对广大开发者全面开放体验,核心功能覆盖开发者日常多类高频任务。 - **限时免费开源模型**:内置由合作伙伴 Fireworks AI 驱动的开源模型,用户无需自备昂贵 API 密钥即可直接启动体验。 - **开源生态联动**:Harrison 强调 LangChain 始终坚持“言行合一(Live what we preach)”,坚定支持开源大模型生态,并携手顶级云与算力伙伴推动 Agent 技术落地。

## Notable quotes > [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) One, the best people to build the agents are the ones who actually do the job. Two, agents need to work where you work and have access to the same systems you use. And three, as your agent scale, governance can become a bottleneck. — Brace Sproul

> [06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) I think we'll have agents that act on behalf of users, but also agents with their own fixed set of credentials. — Harrison Chase

## Mentioned LangChain, Harrison Chase, Brace Sproul, Caroline di Vittorio, LangSmith Fleet, LangChain Labs, LangSmith, Deep Agents, OpenAI, Claude Sonnet, Claude Code, GLM-4, GPT-4, Qwen, Qwen 2.5, Ramp, Prime Intellect, MetaHarness, Terminal Bench 2, Arcade, Fireworks AI, Salesforce, BigQuery, Slack, MCP

## Video description Harrison Chase, Brace Sproul, and Caroline di Vittorio kicked off Day 2 of Interrupt 26 with an inside look at where AI agents are headed, the unveiling of LangChain Labs, as well as the latest features in LangSmith Fleet.

0:00 Welcome & Shoutouts 0:29 Setting the Stage: Imagining Interrupt 2027 1:22 Two Types of Agents: Long-Horizon vs. Customer Experience 2:42 The Future of Voice Agents 3:58 Why Every Agent Needs a Sandbox 4:47 The Rise of Open-Source Models 6:01 Agent Identity & Auth Patterns 7:26 Continual Learning: Model, Harness & Context Layers 10:42 Announcing LangChain Labs 11:00 Updates to LangSmith Fleet 12:39 How LangChain Builds Agents Internally 13:40 Fleet Demo: Go-to-Market Agent 19:05 Fleet Features: Tools, Channels, Governance 21:28 Closing

Extra resources: • Everything we shipped at Interrupt: https://www.langchain.com/blog/interrupt-2026-overview • Meet LangSmith Engine: https://www.langchain.com/blog/introducing-langsmith-engine • About LangChain: https://www.langchain.com/

[Source](https://www.youtube.com/watch?v=R9K2574YEAg)

中文简报

LangChain推出Fleet与Labs,押注业务人员将自主构建Agent 随着托管执行框架和基于评估的反馈循环消除手动编码,企业AI Agent的开发将从软件工程师转向一线业务专家。 Harrison Chase在演讲开篇展望了Interrupt 2027大会时的Agent发展格局,预测长流程Agent与低延迟客户体验Agent之间将出现结构性分化,并探讨了沙箱、开源模型对齐、Agent身份验证,以及涵盖上下文、执行框架和模型层级的持续学习机制。为正式确立将评估套件与执行追踪作为优化梯度的路径,Chase宣布成立专注于追踪驱动型Agent调优的专属研究团队LangChain Labs。主题演讲随后转向劳动力动态,指出非技术业务人员最适合构建生产级Agent。随后,Brace Sproul和Caroline di Vittorio演示了LangSmith Fleet,展示了LangChain内部员工如何构建具有内置人机协同控制功能的自动化市场拓展及软件工程Agent,并直接部署至Slack中;随后,该平台正式公开发布,并通过Fireworks AI提供免费开源模型支持。 LangChain推出了托管式自然语言Agent构建平台LangSmith Fleet,让非技术业务专家能够创建、管理自主工作流,并将其直接部署到Slack等渠道中。 (13:42) 该公司宣布成立专属内部研究团队LangChain Labs,专注于利用执行追踪和评估套件作为优化梯度,在模型、执行框架及上下文层级实现Agent的持续学习。 (9:34) LangChain在Fleet中构建的内部市场拓展Agent使潜在客户到合格线索的转化率提升了240%,同时平均每月为每位销售代表节省40小时。 (17:45) Fleet上线时即支持200多种原生集成,并通过与Arcade的合作额外解锁了7,500个连接,同时与Fireworks AI合作提供免费托管的开源模型层级。 (14:42)

精炼阅读摘要

在 Interrupt 26 大会上,LangChain 首席执行官 Harrison Chase 预测 AI 智能体架构将分化为长周期任务与客户体验两大类型,并指出开源模型、代码沙盒及多层持续学习将成为未来演进的核心支柱。同时,LangChain 推出由非技术业务人员直接构建的智能体平台 LangSmith Fleet 与研究部门 LangChain Labs,推动智能体由工程研发向全员落地的转变。 架构分化:长周期规划与实时体验 (1:22) Harrison Chase 预测,智能体架构正分化为两类需求截然不同的形态。第一类是长周期(Long-Horizon)智能体,主要处理耗时数分钟至数天的复杂知识工作,依赖代码执行、多步骤规划、子智能体协作及模块化技能以拓宽自主运行边界。第二类是面向客户体验(Customer Experience)的低延迟智能体,专注于客户支持和销售等交互场景,核心在于实时响应和品牌调性,语音与视频是其关键模态。两类智能体虽然共享底层基础设施,但工程上面临着究竟是维持统一框架还是采用专门工具链的分歧。 关键技术演进:语音、沙盒与开源模型 (2:42) 在语音交互领域,目前行业标准仍为“语音转文本(STT)- 智能体推理 - 文本转语音(TTS)”的三明治架构。尽管端到端原生语音模型(如 OpenAI 语音模型 V2)已崭露头角,但 Chase 观察到企业级控制力与可靠性仍有欠缺,未来一年技术选型将在模块化管线与原生方案间博弈。与此同时,代码沙盒正演变为所有智能体的必备基础设施,支持研究、数据分析和浏览器自动化等广泛任务,LangChain 亦顺势推出了沙盒产品。 在模型生态方面,Chase 预测开源及开放权重模型在企业端的采纳将大幅激增。驱动因素包括基础开源模型在智能体基准上与顶尖闭源模型差距迅速收窄、长周期代码智能体面临极高 Token 消耗带来的成本压力,以及企业利用历史执行轨迹(Traces)对开源模型进行专有微调与蒸馏的需求。在身份鉴权层面,代理个人 OAuth 凭证与固定服务账户两种模式将长期共存,需根据业务场景严格界定权限范围。 系统自演进:评估驱动的三层持续学习 (7:26) Chase 认为智能体的持续学习不应局限于调整权重,而是涵盖模型层(基座权重)、脚手架层(连接模型与运行环境的代码框架,如 Claude Code)与上下文层(包含 agent.md 与模块化技能的运行指引)。在模型层,Ramp 与 Prime Intellect 针对特定表格微调开源 Qwen 3.5 实现了高准确率与低延迟;在脚手架层,MIT 和 Stanford 的 MetaHarness 研究显示,在不改动模型权重的前提下,让智能体递归优化运行脚手架可在 Terminal Bench 2 上超越人工基准。 Chase 指出,对脚手架与上下文层的优化机制类似于机器学习中的梯度,基准评估与执行轨迹发挥着合成梯度的牵引作用。LangChain 内部基于 TerminalBench 2 仅改动脚手架,便将系统排名推入前五。基于这一范式,LangChain 宣布成立 LangChain Labs,专注于利用 LangSmith 捕获的大量执行轨迹和用户反馈,系统化研究跨模型、脚手架与上下文层级的持续学习机制。 构建权让渡:从反馈提供者到业务构建者 (11:18) LangChain 提出,企业内部智能体维护方式正经历结构性调整:以往由业务专家向工程师提供反馈再行落地的流程,正被非技术业务人员直接构建生产级智能体所取代。Brace Sproul 总结过去三年的实践得出首要原则:构建智能体的最佳人选正是执行该项工作的业务人员,同时系统必须嵌入现有通讯软件并提前建立治理机制。LangChain 内部的人才招聘、市场调研与软件故障排查等智能体,均由对应员工通过无代码平台自主构建。 针对这一演进,LangChain 发布了智能体构建平台 LangSmith Fleet。该平台提供逾 200 项原生集成,并通过与 Arcade 合作接入 7,500 项工具,支持 MCP 协议、Slack/Gmail 等工作面集成、按用户/智能体的权限控制与成本追踪,并内置人机协同(Human-in-the-Loop)审批防线。现场演示中,GTM 团队构建的 Slack 销售智能体在草拟跟进邮件时主动触发审核机制,该工具在内部使线索转化率提升 240%,每位销售代表每月节省约 40 小时。Fleet 亦预置了可运行在安全沙盒中的软件工程智能体,并联合 Fireworks AI 提供了基于开源模型的限时免费体验。 Harrison Chase 坦承技术预测存在高度不确定性,但强调开源模型渗透、代码沙盒普及、评估驱动的脚手架优化以及业务专家自主构建,构成了当前向 2027 年演进的明确技术主线。如何在长周期规划与低延迟交互的两极化需求中平衡通用基础架构与专用工具链,仍是工程实践中有待解答的核心议题。

Detailed notes — zh

## Background 该视频由 LangChain 于 2026 年 5 月 21 日在 YouTube 平台发布。视频内容为 Interrupt 26 大会第二天的开幕演讲,由 Harrison Chase、Brace Sproul 与 Caroline di Vittorio 共同登台,展望 AI Agent 的未来演进趋势,并正式发布 LangChain Labs 与 LangSmith Fleet 的最新功能。 ## TL;DR 演讲首先前瞻了面向 Interrupt 2027 的关键技术趋势,包括长周期与客户体验型 Agent 的形态分化、端到端语音架构、代码沙箱的必要性、开源模型崛起、身份认证机制,以及以评估指标为梯度的三层持续学习架构。随后,团队正式宣布成立专注于 Agent 自我进化的前沿研究团队 LangChain Labs。最后,团队展示了无代码构建平台 LangSmith Fleet,通过内部 GTM Agent 和软件工程师 Agent 的实机演示,呈现了由业务人员自主构建、整合工具链并保留人工在环(Human-in-the-loop)的企业级多 Agent 协作工作流。 ## Atmosphere & style 整场演讲洋溢着前沿技术大会特有的极客热情与务实氛围,节奏紧凑明快。Harrison Chase 开场自嘲且诚恳,将宏大的未来预测与扎实的工程实践紧密交织,调动起全场对技术演进的想象力;随后的产品演示环节则轻松诙谐,团队成员通过直观的人机协同操作和真实的业务数据,将抽象的概念落地为可感知的生产力工具,给观众带来兼具前瞻视野与工程落地底气的沉浸式体验。 ## Bulletin - [01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) LangChain 预测未来 AI Agent 将出现两大技术分野:一类是面向复杂知识工作、单次运行可达数小时至数天的长周期(Long-horizon)Agent;另一类则是严苛追求极低延迟与品牌交互的客户体验(Customer Experience)Agent。 - [07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 持续学习正在从传统的底层模型权重更新演进为三层优化架构(模型层、Harness 运行时层与上下文层),评估指标与追踪链路(Traces)在其中扮演着类似“训练梯度”的优化约束角色。 - [09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) LangChain 正式成立内部前沿研究团队 LangChain Labs,专注于依托生产环境中的追踪数据和评测体系系统化解决 Agent 的持续自我优化与进化难题。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangChain 全面推出无代码智能体平台 LangSmith Fleet,支持通过自然语言配置复杂 Agent 并直接接入 Slack 与主流工具;其内部 GTM Agent 已使合格商机转化率提升 240%,人均月度节省 40 小时。 ## Key takeaways - [01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) 长周期 Agent 与客户体验 Agent 将在底层架构上分化,分别侧重于规划推理与沙箱执行,以及语音/视频模态下的超低延迟响应。 - [02:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=162s) 语音交互将成为面向客户体验 Agent 的关键战场,技术路线正面临传统“STT-LLM-TTS 三明治”架构与原生端到端(Speech-to-Speech)语音模型的权衡与融合。 - [03:58](https://www.youtube.com/watch?v=R9K2574YEAg&t=238s) 沙箱(Sandbox)执行环境是长周期 Agent 自主运转的刚性基石,代码编写与执行能力正扩展至数据分析、网络检索与深度研究等全量知识工作。 - [04:47](https://www.youtube.com/watch?v=R9K2574YEAg&t=287s) 开源模型在 Agent 场景正凭借逼近顶尖闭源水准的基线能力、显著的推理成本优势以及依托企业私有业务轨迹(Traces)进行微调的潜力而加速普及。 - [06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) Agent 身份认证机制已分化为“代用户执行(继承用户临时凭据)”与“独立固定凭证(企业服务账号)”两种长期共存的范式。 - [07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 现代 Agent 系统包含模型层、Harness 外壳运行时层与上下文层三层架构,每一层都存在独立的持续学习与迭代空间。 - [09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) 评估指标(Evals)与系统追踪数据(Traces)在 Agent 架构中承担着类似反向传播梯度的功能,在完全冻结基座模型的条件下仅优化 Harness 即可带来大幅性能跃升。 - [10:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=642s) 全新成立的 LangChain Labs 将聚焦于智能体持续学习的研究,协助企业利用运行数据打通多层级的自我进化闭环。 - [11:18](https://www.youtube.com/watch?v=R9K2574YEAg&t=678s) 企业 Agent 的构建权正在从单一工程团队下放至业务一线专家,非技术角色对业务逻辑与质检标准的深刻理解是 Agent 交付质量的关键。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangSmith Fleet 采用全自然语言无代码构建,集成了 200 余种原生工具、数千项第三方工具,并全面兼容 MCP 协议以接入企业私有资产。 - [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) 企业在规模化应用 Agent 时需要端到端的治理能力,包括基于身份的凭据隔离、预算调用额度约束以及内置的 Human-in-the-loop 人工审核防线。 - [17:41](https://www.youtube.com/watch?v=R9K2574YEAg&t=1061s) LangChain 内部实践证明,通过 Fleet 构建的业务 Agent 能带来实质性的生产力提升,例如 GTM Agent 实现了 84% 的团队周活度与 240% 的转化效率增长。 - [20:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=1226s) Fleet 提供开箱即用的预构建 Agent(如 GTM 与 SWE Agent),支持在 Slack 中触发沙箱编程并直接提交 GitHub PR,企业只需轻量引导即可上线。 - [21:28](https://www.youtube.com/watch?v=R9K2574YEAg&t=1288s) LangSmith Fleet 在 Fireworks AI 的算力支持下直接内置了开源模型供全员免费试用,以实践践行对开放模型生态的承诺。 ## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=R9K2574YEAg&t=0s) 开场与设想 Interrupt 2027 Harrison Chase 在大会第二天开场时首先对幕后团队表达了诚挚的感谢。他幽默地向台下观众表示,这绝对是他参加过的最酷的技术大会,而自己“其实根本没出什么力”,全靠幕后团队的辛勤付出,并特别点名感谢了 Jess、Julia、Jacob 和 Brianna 四位成员,带领全场为他们鼓掌致意。 回顾第一天的日程,Harrison Chase 指出昨天的讨论重心落在当下的工程实践上——大家深入探讨了当前构建 Agent 的真实样貌,以及业内最成功的团队是如何一步步将 Agent 推向生产环境的。而今天的议题则全面转向未来。他坦言在 LangChain 的使命与愿景中,团队一直在深度思考未来的 Agent 到底会演变成什么形态。为了让讨论更具想象空间,他邀请大家一起快进一年,假想现在正是 Interrupt 2027 的现场,看看届时行业究竟会争论哪些话题。Harrison Chase 自嘲道:“And I'm going to be wrong in a lot of these.” 他承认其中很多预测在未来回头看可能会显得非常愚蠢可笑,但他依然希望借此为众人勾勒出团队眼中 AI Agent 领域的发展航向。 ### [01:22](https://www.youtube.com/watch?v=R9K2574YEAg&t=82s) Agent 的两大分化形态:长周期与客户体验 Harrison Chase 观察到,业界构建 Agent 的技术路线正在发生明显的分化,未来将分流为两种截然不同的核心形态,而这种苗头在当下已经初露端倪: 一种是面向复杂任务的“长周期”(Long-horizon)Agent。这类 Agent 单次运行时间会长达数分钟、数小时,未来甚至可能持续数天。它们具备代码执行、自主规划能力,能够协同子 Agent 或运行在多 Agent 系统之中,熟练调用各种专门技能(Skills),并在越来越长的时间跨度内持续运转。随着行业引入明确的产出目标(Outcomes)和全局规划,这类 Agent 处理任务的时间跨度正被不断拉长,未来将在高价值的知识型工作(Knowledge work)中扮演核心角色。 与之截然相反的则是对延迟要求极度严苛的 Agent,这类形态通常表现为“客户体验”(Customer Experience)Agent,例如客户支持和销售场景。在这类直接面向终端用户的交互中,企业品牌形象至关重要,低延迟是刚性需求,语音因而成为极具吸引力的核心交互模态,未来甚至还会延伸至实时视频交互。Harrison Chase 强调,这两种 Agent 底层共享着一部分技术栈,但在具体技术选型上却存在显著分野;未来一年行业需要深入探索的核心命题之一,就是厘清它们之间“通用共享的底层基础设施到底有多少,而各自专属的技术组件又会有多特殊”。 ```mermaid flowchart TD accTitle: Agent 分化形态架构图 accDescr: 展示长周期 Agent 与客户体验 Agent 的特征分化及共享技术底座。 subgraph Types["Agent 的两大发展方向"] direction LR subgraph LH["长周期 Agent (Long-Horizon)"] LH1["长耗时任务 (数小时/数天)"] LH2["代码执行与任务规划"] LH3["多 Agent 协作与复杂知识工作"] end subgraph CX["客户体验 Agent (Customer Experience)"] CX1["极低延迟交互"] CX2["客户支持 / 销售场景"] CX3["语音 / 实时视频模态"] end end subgraph Core["底层共享与专属技术栈"] Shared["共享技术底座 (模型调用 / 追踪评估 / 运行时)"] SpecLH["专属组件: 沙箱环境 / 状态持久化 / 长记忆"] SpecCX["专属组件: 低延迟流式传输 / 音视频端到端引擎"] end LH --> SpecLH CX --> SpecCX SpecLH --> Shared SpecCX --> Shared ``` ### [02:42](https://www.youtube.com/watch?v=R9K2574YEAg&t=162s) 语音 Agent 的架构演进与抉择 谈到面向客户体验的 Agent,Harrison Chase 认为语音必然会成为未来一年最受关注的热点,LangChain 也在这一方向加大投入。当前业界主流的语音 Pipeline 普遍采用“三明治”架构:用户的语音输入首先通过 STT(语音转文本)转录成文字,然后送入大语言模型 Agent 进行文本层面的逻辑推理与回答生成,最后再通过 TTS(文本转语音)将文字转换回音频流播放给用户。 然而,原生的端到端语音大模型(Native Speech-to-Speech)正在以极快的速度涌现。例如 OpenAI 在演讲的两周前刚刚发布了其端到端语音模型的 V2 版本。尽管 Harrison Chase 指出当前的行业共识仍然是端到端模型在可控性上有所欠缺——“And while I would say the consensus today seems to be for applications where you really care about having control, they're not quite steerable enough yet, we do expect that to change.” 但他坚信这种不可控的现状很快会被技术突破所打破。接下来的一年中,行业势必会激烈论证:到底该坚持模块化、高可控的传统三明治管线,还是全面拥抱原生的端到端语音模型,抑或是走向某种折中融合方案。 ### [03:58](https://www.youtube.com/watch?v=R9K2574YEAg&t=238s) 为什么每个 Agent 都需要沙箱(Sandbox) Harrison Chase 明确断言,未来所有 Agent 都需要配套的执行沙箱(Sandbox),尤其是对于长周期任务 Agent 而言。代码编写与执行能力绝不仅仅局限于传统的软件工程开发,它在数据分析、网页浏览(Web Browsing)、图像生成以及深度调研(Deep Research)中同样发挥着底层支撑作用。 他分享了前一天与一位参会者的交流案例:对方在思考如何为公司的市场营销团队构建 Agent 时,其核心思路其实就是“给市场团队配备一名全职软件工程师”,思考这名工程师会编写什么自动化应用来让市场人员的工作更轻松。赋予 Agent 编写与运行代码的能力,在本质上就是在释放这种软件工程红利。正因如此,安全的沙箱环境是 Agent 自主运行的基石,这也是 LangChain 在大会首日正式上线沙箱产品的原因。Harrison Chase 直言,无论是当前的 Agent 还是沙箱技术都处于非常初期的“破晓阶段”,未来一年该领域将迎来爆发式探讨。 ### [04:47](https://www.youtube.com/watch?v=R9K2574YEAg&t=287s) 开源模型的崛起与独特优势 在模型基础设施方面,Harrison Chase 预测开源模型将在未来一年迎来显著的爆发。LangChain 针对 Deep Agents 进行了一系列基准评测,对比了开源基础模型与闭源前沿模型在未进行特定任务后训练(Post-training)状态下的性能表现。结果显示,开源模型虽然在某些细分维度上仍稍显落后,但其基线表现已经极度逼近顶尖的闭源前沿水平。驱动开源模型普及的核心动力包含以下三点: - **逼近前沿的综合表现**:在无需复杂后训练调优的前提下,部分开源底座在处理 Agent 任务时的表现已无限贴近顶尖闭源模型。 - **巨大的成本优势**:成本正在成为大规模部署中的严峻瓶颈。特别是在编程类 Agent 场景下,多轮长逻辑链的运行会极其迅速地消耗海量 Token,开源模型为企业提供了高性价比的替代路径。 - **私有领域的持续微调潜力**:企业能够根据自身的专属业务数据对其进行后训练。Harrison Chase 强调:“A third reason that we think open models are really interesting is because they can be trained for your particular domain.” 随着企业在日常生产中积累下大量的 Agent 运行轨迹(Traces)与日志,如何利用这些数据进行后训练以反哺自身业务模型,将成为开源模型不可替代的核心竞争力。 ### [06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) Agent 身份与认证机制(Auth Patterns) 随着 Agent 开始在现实业务系统中接管真实的行动并产生副作用(Side effects),身份认证与权限管理(Agent Identity & Auth Patterns)成为了一个极为关键但仍处于探索早期的问题——Agent 究竟以谁的名义在执行操作?目前行业中出现了两种截然不同的认证范式: 第一种是**代用户执行范式(On behalf of individual users)**。在此模式下,Agent 继承当前操作用户的身份权限。例如当 Harrison 唤起一个能够访问企业 Slack 的 Agent 并要求其检索信息时,Agent 使用的是 Harrison 个人的访问令牌与凭证,因此只能看到 Harrison 有权访问的频道与消息;如果换成他的同事 Julia 来调用同一个 Agent,所获取到的信息和答案就会因人而异。 第二种则是**独立凭证范式(Fixed set of credentials)**。Agent 拥有专属的固定身份,通常配置为系统的服务账号(Service Account)。无论组织内的哪位成员与该 Agent 交互,Agent 都统一使用这套固定凭证去访问后端资源,对所有人展现一致的上下文与权限。Harrison Chase 指出,这一范式最早随着 OpenAI 的 Agent 概念而流行开来,现在甚至有越来越多的 SaaS 厂商主动优化流程,让 AI Agent 能够极其顺畅地独立注册企业账号并获取专属凭据。Harrison 预测这两种模式未来将会长期共存:“I think we'll have agents that act on behalf of users, but also agents with their own fixed set of credentials.” 他认为构建者必须极其严谨地权衡适用场景,并在交互界面上向用户清晰揭示当前 Agent 所代表的身份。 ### [07:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=446s) 持续学习的三层架构:模型层、Harness 层与上下文层 Harrison Chase 坦言,持续学习(Continual Learning)是 LangChain 作为一家公司感到最兴奋的方向之一。在系统论的视角下,持续学习的本质在于让 Agent 系统随着时间的推移不断自我优化与进化。他将现代 Agentic 系统解构为三个可被独立优化的层级: 1. **模型层(Model Layer)**:底层的基座大语言模型,例如 Claude Sonnet、GLM-4、GPT-4 或开源的 Qwen 等。 2. **测试与运行环境外壳(Harness Layer)**:包裹在模型外侧、负责连接模型与真实运行环境的代码体系与框架,如 Deep Agents、Claude Code、pi 等。 3. **上下文层(Context Layer)**:向 Harness 注入的指导信息,用于约束与引导 Agent 完成具体任务,例如项目根目录下的 `agent.md` 文档规范、预设的任务技能库(Skills)等。Harrison 举例说明,开发者无法直接修改 Claude Code 本身的代码逻辑,但可以通过给它编写定制化的 `agent.md` 或扩展 Skills,来调优它在特定工程任务中的表现。 ```mermaid flowchart TD accTitle: Agent 系统的三层持续学习架构 accDescr: 描述上下文层、Harness 层与模型层的层级依赖与优化机制。 subgraph System["Agent 系统的三层架构"] direction TB Context["上下文层 (Context Layer)<br>• agent.md 规则规范<br>• 专业技能库 (Skills)"] Harness["外壳运行时层 (Harness Layer)<br>• Deep Agents / Claude Code<br>• 环境交互逻辑与工具调用"] Model["底层模型层 (Model Layer)<br>• Claude 3.5 Sonnet / GPT-4<br>• Qwen 2.5 / GLM-4 等开源模型"] Context -->|"注入引导指令"| Harness Harness -->|"封装与驱动"| Model end subgraph Optimization["各层级的优化实践"] direction TB OptContext["更新与迭代 System Prompts 及 Skills 库"] OptHarness["环境反馈驱动 Harness 自动重构 (如 MetaHarness)"] OptModel["结合业务 Traces 进行领域后训练 / 微调 (如 Ramp 案例)"] end Context -.- OptContext Harness -.- OptHarness Model -.- OptModel ``` 在模型层的持续学习方面,Harrison 引用了 Ramp 与 Prime Intellect 在前一周联合发布的研究成果:他们采用开源模型 Qwen 2.5 并针对其内部报表工具(Ramp Sheets)进行特定领域微调,最终使该模型在保持极低延迟的同时达成了极高的专业准确率,有力证明了开源模型在特定业务领域持续训练的巨大潜力。 在 Harness 层的优化上,Harrison 列举了来自 MIT 和 Stanford 的最新研究成果——MetaHarness。该研究极具启发性地使用一个外置 Agent 去自动优化编程 Harness,并在 Terminal Bench 2 基准测试上进行了迭代实验。“They optimized it on terminal bench 2. And you can see that it outperforms human-written harnesses.” 这一系统通过捕获环境反馈与测试报错,将其送回给负责优化的 Agent,由后者自主修改 Harness 的工程代码,在完全不改变底层模型参数的前提下,取得了超越人类编写 Harness 的卓越成绩。结合自身传统的机器学习研发背景,Harrison 总结道,传统经典机器学习中使用数据反馈进行模型迭代的逻辑,在如今 Agent 系统的各个层级中正在以全新的形态复现。 ### [09:34](https://www.youtube.com/watch?v=R9K2574YEAg&t=574s) 评估作为训练梯度与 LangChain Labs 的发布 Harrison Chase 深入探讨了智能体架构中的持续学习机制。在传统模型训练中,开发者通过梯度下降更新模型权重;但在智能体整体架构的治理中,特别是处于 Harness(运行框架)或上下文层(Context Layer)时,优化的驱动力并非纯粹的梯度下降,而是由评测基准(Evals)充当核心约束。Harrison Chase 解释道:“So in the example of the meta-harness that I just gave, you have these evaluations, Terminal Bench 2, you run the agent on Terminal Bench, you get some feedback, you then pass that into the agentic system and updates it.” 这类评估指标与追踪链路(Traces)实质上为系统进化提供了类似训练梯度的反馈信号。 LangChain 团队分享了自身的实践突破:在不改变任何底层模型权重的完全冻结状态下,仅对 Harness 本身进行迭代改造,其智能体在 Terminal Bench 2 榜单上的排名就从前 30 名跃升至前 5 名。基于对“持续学习将广泛渗透进各层级”的判断,Harrison Chase 正式宣布成立内部前沿研究团队——LangChain Labs。该实验室专注于智能体持续学习,依托 LangSmith 积累的海量 Traces 和反馈数据,协助企业在模型层、框架层及上下文层实现自我优化。 ```mermaid flowchart LR accTitle: Harness 层的持续学习循环 accDescr: 展示智能体在评估指标驱动下的反馈优化机制,通过评估结果改进 Harness 而不修改模型权重。 subgraph IterationLoop ["持续评估与学习循环"] A["Agentic System (Harness)"] --> B["Terminal Bench 2 评估"] B --> C["评估反馈与 Traces"] C -->|"类似训练梯度的更新"| A end ``` - 在保持基础模型完全不变的情况下,仅通过修改 Harness 架构,LangChain 在 Terminal Bench 2 基准上的排名从前 30 位飙升至前 5 位。 - LangChain Labs 的核心研发目标是系统化解决企业智能体在生产环境下的持续学习难题。 --- ### [11:18](https://www.youtube.com/watch?v=R9K2574YEAg&t=678s) 全民构建智能体的时代到来 Harrison Chase 观察到企业协同模式正在发生深远转变:不仅技术人员在调试智能体,来自用户体验研究(UX research)、垂直业务专家、客户支持、产品设计乃至工程团队的所有成员,都在通过即时通讯软件(如 Slack)排错、调整提示词或直接打标反馈。这种来自一线业务人员的高质量认知,往往是决定智能体成败的关键所在。 展望未来,这种交互不仅限于反馈闭环。Harrison Chase 预测道:“They're not just going to be giving feedback on them and handing that off to a separate team, they're actually going to be involved in building these agents.” 智能体的构建者不再是单一的技术研发孤岛,而是懂具体业务的每个人。随后,他将舞台交接给负责产品落地的 Brace Sproul 与 Caroline di Vittorio,共同揭示这一愿景在 LangChain 内部的日常现实。 - 各类非技术角色不仅在日常运营中通过 Slack 或界面提供反馈,更在逐步深度介入智能体的全生命周期构建。 - 业务领域专家(Domain Experts)对业务标准有深刻理解,由其主导或参与构建能够大幅减少沟通误差并提升智能体产出质量。 --- ### [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) LangSmith Fleet:无代码智能体构建引擎 接棒上台的 Brace Sproul 与台下开玩笑互动,询问昨日有谁和自己一样在户外晒伤了。他展示了 LangChain 内部早已实现的全员 Agentic 协作生态:人才招聘团队利用 Sourcing Agent 搜寻候选人,销售团队依赖 Go-To-Market (GTM) Agent 进行客户洞察与销售外发,市场团队依靠 Intel Bot 开展竞品追踪,而工程团队则通过 OpenSuite 自动分流并修复突发线上事故。令人惊叹的是,这些贯穿各个业务环节的智能体,全部由实际使用它们的业务员工自主构建,没有编写哪怕一行代码。 实现这一突破的核心平台正是 LangSmith Fleet——一款支持全自然语言配置的托管型智能体构建平台。Brace Sproul 归纳了团队三年实践提炼的三条核心认知:“One, the best people to build the agents are the ones who actually do the job. Two, agents need to work where you work and have access to the same systems you use. And three, as your agent scale, governance can become a bottleneck.” 他强调智能体的本质不过是指令、技能(Skills)与工具的有机集合,业务当事人最清楚该如何规范这些流程。Fleet 智能体内置记忆系统(Memory),能够在使用中与员工协同进化。 ```mermaid flowchart TD accTitle: LangSmith Fleet 生态连接架构 accDescr: 展现 Fleet 智能体通过多层工具集成、工作流连接以及协同治理功能。 subgraph Integrations ["集成能力层"] T1["200+ 内置原生工具"] T2["Arcade 合作 (7,500+ 工具)"] T3["MCP 协议连接私有数据"] end subgraph Channels ["工作流与界面"] C1["Slack / Gmail / Outlook"] C2["Fleet Web UI 控制台"] C3["面向开发者的开放 API"] end subgraph Governance ["协同与治理"] G1["凭据与权限隔离 (Auth)"] G2["预算追踪与上限约束"] G3["LangSmith Traces 监控"] end Integrations --> Channels Channels --> Governance ``` - **三层工具连接体系**:内置覆盖高频场景的 200 余种开箱即用工具;与 Arcade 深度合作以接入长尾的 7,500 多项工具;全面兼容模型上下文协议(MCP),支持顺畅挂接私有工具及专有数据资产。 - **工作流无缝融合**:直接集成至 Slack、Gmail、Outlook 等主流办公软件,同时配备全功能 Web UI 控制台并开放底层 Fleet API 供二次开发。 - **企业级治理与开放性**:提供类似 Google Docs 的资产协同共享机制、精细化的基于身份验证(Auth)与凭据隔离管理、细粒度调用成本与用量预算监控(Spend Limits),全面嵌入人类在环(Human-in-the-loop)防线。系统保持完全开放并对模型无关,底层基于开源智能体框架 Deep Agents 构建,并允许开发者将工程代码直接下载本地修改。 --- ### [17:41](https://www.youtube.com/watch?v=R9K2574YEAg&t=1061s) 现场演示:GTM Agent 与人机协同流程 Caroline di Vittorio 接过主控,展开了 LangSmith Fleet 的实机演示。演示对象是 LangChain 内部不可或缺的 GTM Agent。该智能体能够聚合来自 CRM(Salesforce)、通话录音平台、数据仓库(BigQuery)的海量信息,进行精准的账户和联系人情报挖掘,并自动拟定定制化外联邮件。为确保可靠性,团队为其配置了若干子智能体(Subagents)处理特定研究任务,并录入了针对固定流程的详细步骤指导(Skills)。团队成员甚至无须打开管理后台,在日常 Slack 频道中 @gtmagent 即可快速唤醒。 谈及业务收益,Caroline di Vittorio 分享了一组亮眼的数据:“The go-to-market team, 84% of the go-to-market team uses it weekly. Lead to qualified conversion is up 240%, and it has saved on average 40 hours per month per rep.” 该智能体最初由专业工程师手写代码交付,但在 Fleet 诞生后,整个体系由业务团队在无代码环境下全面重构与完全接管。 现场演示中,Caroline di Vittorio 输入查询:“Where did we leave things off with a Pied Piper account? What should our next steps be?” 智能体在多数据源检索后提示:该账户目前处于高流失风险(at-risk)状态,对产品定价存在明显疑虑,并明确建议立即向对接人 Jared 发送邮件挽回。当 Caroline di Vittorio 下达“Great. Get an email to Jared, please.”指令后,Fleet 的 Human-in-the-loop 防护机制被实时触发。智能体不会擅自发出外联信件,而是将生成的草稿推送到审核界面由人工核对,Caroline di Vittorio 顺手在界面内纠正了“LangGraph”的大小写拼写错误,展现了在自动化提效的同时保障外联准确与安全的协作平衡。 | 核心评估维度 | 业务成效指标 | |:--- |:--- | | **全员普及率** | GTM 团队中 **84%** 的成员每周保持高频使用 | | **转化效率** | 销售线索至合格商机转化率(Lead-to-qualified conversion)提升 **240%** | | **工时节约** | 平均为每位销售代表每月节省 **40 小时** 的人工劳动时间 | | **开发与维护归属** | 彻底剥离纯工程代码依赖,转为业务线成员在 Fleet 平台全流程独立管理维护 | ### [20:26](https://www.youtube.com/watch?v=R9K2574YEAg&t=1226s) 预构建 Agent 与 LangSmith Fleet 开箱即用体验 在完成市场拓展(GTM)Agent 的现场演示后,现场响起了热烈的掌声。演讲者向观众介绍道,LangChain 团队内部日常依赖的诸多 Agent,目前都已经作为开箱即用的预构建 Agent(Pre-built Agents)直接整合进了 LangSmith Fleet 中。除了刚刚演示的 GTM Agent 之外,备受瞩目的还有软件工程师 Agent(Software Engineer Agent)。这款 Agent 赋予团队完全的掌控权:团队成员只需在 Slack 中 @ 它,它便会在独立的沙箱环境中编写代码,并最终直接提交 Pull Request(PR)等待人工审核与合并。 对于企业用户而言,接入这些 Agent 的门槛被降到了最低,完全不需要从零编写复杂的编排代码。演讲者指出,将这些能力引入工作流仅需三个轻量步骤:首先在 Fleet 中创建对应的 Agent,随后将其与企业内部正在使用的各类工具进行权限连接,最后只需完成一段简短的引导流程(Onboarding Flow),让 Agent 充分理解和熟悉公司的业务上下文,即可正式投入日常生产环境。演讲者用一句话概括了这一体验:“All you have to do to use it is create the agent, connect it to the tools that your organization uses, and then go through a short onboarding flow so it gets to know your company, and then you're good to go.” ```mermaid flowchart LR accTitle: Fleet 预构建 Agent 启用流程 accDescr: 展示从在 Fleet 中创建 Agent、连接工具、完成引导流程,到最终在 Slack 中交互并在沙盒内自动提交 PR 的全流程。 subgraph Config["配置与引导阶段"] A["创建预构建 Agent<br/>(GTM / SWE)"] --> B["连接企业工具链<br/>(GitHub, Slack 等)"] B --> C["完成企业 Context 引导<br/>(Onboarding Flow)"] end subgraph Execution["协同与执行阶段"] C --> D["Slack 中 @ 触发 Agent"] D --> E["沙箱环境编写代码<br/>(Sandbox)"] E --> F["自动提交 PR<br/>供人工审查合并"] end ``` - **预构建模板库**:Fleet 现已预置 LangChain 内部日常验证成熟的 Agent,包含市场拓展(GTM)Agent 与软件工程师(SWE)Agent。 - **深度协同工作流**:SWE Agent 支持直接在企业 Slack 频道中响应调用,自主在沙箱内完成代码编写与调试,并生成标准 PR,保持人类在控制闭环中(Human-in-the-loop)。 - **极简初始化体验**:无需漫长繁琐的模型微调或架构设计,仅需绑定工具并输入公司基础背景信息即可上岗。 --- ### [21:28](https://www.youtube.com/watch?v=R9K2574YEAg&t=1288s) 践行开源理念:免费模型上线与大会闭幕致辞 在掌声中,LangChain 联合创始人兼 CEO Harrison Chase 重新登台为本场 Keynote 做收尾演讲。Harrison 热情地呼吁现场及线上的所有开发者即日起上手体验 LangSmith Fleet,并坦言:“I use it myself for a variety of tasks.” 他提到自己每天都会使用 Fleet 来处理各种各样的实际工作。 为了降低所有人的上手与试用门槛,LangSmith Fleet 特别推出了一项限时福利:平台内直接内置了一款免费模型供用户探索。Harrison 特别强调,这正呼应了演讲前半段重点阐述的技术趋势——开源模型的崛起与成熟。为了将“知行合一”落到实处,这款免费模型正是一款完全开源的模型,并由大会的重要合作伙伴 Fireworks AI 提供底层推理算力支持。正如 Harrison 所说:“So we try to live what we preach in terms of open source models and also trying to have the best partners here.” 他最后鼓励所有与会者移步会场展区,与活跃在展台上的众多前沿生态合作伙伴进行面对面交流探讨,并正式宣布 Interrupt 26 第二天的开幕主题演讲圆满结束。 - **全面开放体验**:LangSmith Fleet 当天起对广大开发者全面开放体验,核心功能覆盖开发者日常多类高频任务。 - **限时免费开源模型**:内置由合作伙伴 Fireworks AI 驱动的开源模型,用户无需自备昂贵 API 密钥即可直接启动体验。 - **开源生态联动**:Harrison 强调 LangChain 始终坚持“言行合一(Live what we preach)”,坚定支持开源大模型生态,并携手顶级云与算力伙伴推动 Agent 技术落地。 ## Notable quotes > [12:39](https://www.youtube.com/watch?v=R9K2574YEAg&t=759s) One, the best people to build the agents are the ones who actually do the job. Two, agents need to work where you work and have access to the same systems you use. And three, as your agent scale, governance can become a bottleneck. — Brace Sproul > [06:01](https://www.youtube.com/watch?v=R9K2574YEAg&t=361s) I think we'll have agents that act on behalf of users, but also agents with their own fixed set of credentials. — Harrison Chase ## Mentioned LangChain, Harrison Chase, Brace Sproul, Caroline di Vittorio, LangSmith Fleet, LangChain Labs, LangSmith, Deep Agents, OpenAI, Claude Sonnet, Claude Code, GLM-4, GPT-4, Qwen, Qwen 2.5, Ramp, Prime Intellect, MetaHarness, Terminal Bench 2, Arcade, Fireworks AI, Salesforce, BigQuery, Slack, MCP ## Video description Harrison Chase, Brace Sproul, and Caroline di Vittorio kicked off Day 2 of Interrupt 26 with an inside look at where AI agents are headed, the unveiling of LangChain Labs, as well as the latest features in LangSmith Fleet. 0:00 Welcome & Shoutouts 0:29 Setting the Stage: Imagining Interrupt 2027 1:22 Two Types of Agents: Long-Horizon vs. Customer Experience 2:42 The Future of Voice Agents 3:58 Why Every Agent Needs a Sandbox 4:47 The Rise of Open-Source Models 6:01 Agent Identity & Auth Patterns 7:26 Continual Learning: Model, Harness & Context Layers 10:42 Announcing LangChain Labs 11:00 Updates to LangSmith Fleet 12:39 How LangChain Builds Agents Internally 13:40 Fleet Demo: Go-to-Market Agent 19:05 Fleet Features: Tools, Channels, Governance 21:28 Closing Extra resources: • Everything we shipped at Interrupt: https://www.langchain.com/blog/interrupt-2026-overview • Meet LangSmith Engine: https://www.langchain.com/blog/introducing-langsmith-engine • About LangChain: https://www.langchain.com/ [Source](https://www.youtube.com/watch?v=R9K2574YEAg)

Source quotes

[12:39] Brace Sproul: One, the best people to build the agents are the ones who actually do the job. Two, agents need to work where you work and have access to the same systems you use. And three, as your agent scale, governance can become a bottleneck. [6:01] Harrison Chase: I think we'll have agents that act on behalf of users, but also agents with their own fixed set of credentials.