通过 LangSmith 中的 AI Search 按行为追踪智能体轨迹

📌 One-Sentence Summary

LangSmith 引入了 AI Search，这是一种针对智能体轨迹的自然语言查询接口，利用快速决策模型识别用户沮丧情绪或 PII 泄露等特定行为。

📝 Summary

LangSmith 发布了 AI Search，这是一个旨在解决查询复杂智能体轨迹困难的新功能。与依赖有损嵌入的传统向量搜索不同，AI 方式使用快速高效的决策模型对“轨迹”（Trajectories）进行推理——轨迹是整个智能体会话的精炼视图，包含了消息、工具调用和结果。这允许开发者使用自然语言配合标准过滤器，寻找如“用户是否感到沮丧？”或“是否发生了 PII 泄露？”之类的模式。这种方法使得能够在无需手动设置评估器的情况下，跨不同 SDK 之间进行大海捞针式的分析。

💡 Main Points

AI 方式超越了有损向量嵌入，实现了语义推理

传统的向量搜索将整个轨迹压缩为单个向量，丢失了细微的细节（例如，完成任务与声称已完成之间的区别）。AI Search 使用快速决策模型来读取“轨迹”中的实际文本。

轨迹规范化了跨不同 SDK 的数据格式

SmithDB 将来自各种来源（OpenAI、Anthropic、LangGraph 等）的原始轨迹转换为统一格式，使得单次搜索适用于不同的智能体架构。

自然语言查询实现了复杂的行为模式匹配

开发者现在可以查询高级行为，例如“用户对引导流程感到困惑”或“提到了竞争对手”，这些行为在以前很难映射到静态标签或全文搜索中。

💬 Key Quotes

AI Search 现在允许用户基于语义理解来查找对话。

轨迹是智能体工作的精炼视图：每条消息、每个工具调用和工具结果都只列出一次。

要区分它们需要一个模型能够读取轨迹的实际文字并结合你的问题进行判断。

📊 Article Meta

AI Screening： 88

Source： LangChain Blog

Author： Arjun Natarajan

Category： 人工智能

Language： 英文

Read Time： 6 min

Word Count： 1421

Tags：

AI 与智能应用 , AI Agent , 可观测性 , 模型路由 , 数据工程