LangSmith 新功能：Engine v2、Managed Deep Agents、Fine-Tuning 等

📌 One-Sentence Summary

LangChain 发布了 LangSmith Engine v2，用于自动化智能体调试和红队测试，同时 Managed Deep Agents 增加了基于身份的记忆功能，并推出新的 Fine-Tuning 工作流，可将智能体轨迹转换为训练数据。

📝 Summary

本公告详细介绍了 LangSmith 平台的多个关键更新，旨在加速智能体开发生命周期。LangSmith Engine v2 引入了主动 Red Teaming 以在生产前检测问题，扩展了错误检测能力（包括性能趋势和低效工具调用），以及自动化修复验证，可将候选解决方案与评测集进行测试。Managed Deep Agents v0.8 增加了限定于已认证身份的用户级记忆、支持智能体/用户自有凭证、扩展的 Slack/HTTP 通道，以及通过 Parallel 内置的网络搜索。该版本还重点介绍了 「Trajectories」，这是一种对话式追踪视图，旨在简化调试和 SME 评审，并作为新的 LangSmith Fine-Tuning 功能的基础。该功能允许团队使用 `smithtune` 将高质量轨迹转换为用于开源模型的监督微调（SFT）数据集，与前沿模型相比可降低成本和延迟。最后，Custom Apps 使团队能够在 LangSmith 数据之上构建定制化界面，用于注释或实验比较等特定工作流。

💡 Main Points

Engine v2 从被动监控转向主动问题解决

通过基于生产追踪和代码库的 Red Teaming，Engine 可以在问题发生前假设并测试潜在故障。它还通过将出错输入运行在智能体上并将候选方案与更广泛的评测集进行测试，来自动化验证修复，从而简化部署路径。

Managed Deep Agents 现支持细粒度、基于身份的记忆和认证

此次更新将共享的智能体级记忆与用户级上下文分离，确保多用户环境下的隐私性和相关性。它还集成了原生网络搜索并扩展了通道支持（Slack 文件传输、HTTP Webhooks），以降低开发者的基础设施开销。

Trajectories 成为可观测性与模型改进之间的桥梁

Trajectories 提供智能体会话的可读、按时间顺序排列的视图，简化调试和 SME 评审。至关重要的是，这些结构化视图被新的 `smithtune` CLI 用于生成高质量的 SFT 数据集，使团队能够在特定领域数据上微调开源模型。

Custom Apps 允许在不导出数据的情况下实现扩展

团队可以使用其 API 直接在 LangSmith 内构建和发布自定义 UI。这解决了对专业工作流（如复杂注释队列或特定实验比较）的需求，而无需维护单独的内部工具或导出敏感追踪数据。

💬 Key Quotes

改进智能体是一个多步骤过程；典型的流程要求工程师发现问题、确定根本原因、提出修复方案、测试、部署并监控回归。

新的 Red Teaming 能力有助于在问题在生产环境中出现之前检测到它们。

基于自身数据和知识训练的模型通常可以与通用前沿模型一样好或更好完成指定任务，且成本和延迟大幅降低。

最终，我们的最新更新支持我们的使命，即让每家公司都能拥有自己的智能。

📊 Article Meta

AI Screening： 90

Featured： Yes

Source： LangChain Blog

Author： Jacob Talbot

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1321

Tags：

AI 与智能应用 , 后训练 , 模型训练与推理 , 可观测性 , AI Agent