Workday 如何借助 LangGraph 和 LangSmith 构建企业级 AI 智能体平台

📌 One-Sentence Summary
Workday 使用 LangGraph 进行编排、LangSmith 进行追踪与评估,构建了企业级 AI 智能体平台;小团队在满足严格安全与治理要求的同时,实现了快速原型开发和生产部署。
📝 Summary
Workday 的智能体平台团队利用 LangGraph 编排智能体,并借助 LangSmith 实现追踪、可观测性和评估,从而构建了一个内部开发者平台,用于创建、部署和运行生产环境中的 AI 智能体。面对严格的安全和数据治理要求,这支由 4 人组成的团队创建了治理层(智能体系统记录),用于控制 API 访问;开发了 Python SDK(「Workday LangChain」),以抽象底层基础设施;并与 LLM 网关、RAG 检索等内部服务集成。LangGraph 的图模型提供了灵活的设计方式,同时由标准化基础设施处理后端复杂性。这将原型开发时间从 4-5 个月缩短至不到 1 天,让团队能够快速迭代并做好生产部署准备。如今,该平台已成为统一 Workday 内部 AI 服务的连接层;平台的成功也推动团队规模从 4 人扩大到 30 人。
💡 Main Points
LangGraph 的图式编排方式支持灵活设计智能体,同时抽象底层复杂性
Workday 选择 LangGraph,而非基于对话的平台,因为其图模型让工程师能够构建从简单的 ReAct 循环到复杂的确定性工作流等各种方案,而平台不会预先限定智能体架构;与此同时,LangChain 会自动处理后端对 A2A 和 MCP 协议的兼容。
LangSmith 为企业部署提供关键的追踪、可观测性和评估能力
Workday 使用 LangSmith 构建智能体追踪和评估基础设施。其内置的可观测性在满足审计与合规要求方面至关重要,同时也支持快速原型开发和生产部署。
该平台将原型开发时间从 4-5 个月缩短至不到 1 天,并推动团队从 4 人扩大至 30 人
Workday 将身份验证、安全和基础设施相关工作抽象到平台中,大幅缩短了原型开发时间并推动团队扩张,展现了该平台在治理要求严格的企业环境中的有效性。
💬 Key Quotes
我最喜欢 LangChain 的 Agent Server 和 LangSmith 的一点,就是它们有很多功能开箱即用。这正是因为他们对智能体开发进行了深入思考。
后端不是问题。LangChain 已经替我们处理好了。
得益于我们与 LangChain 合作的成功,以及我们取得的成果,团队规模已经扩大到原来的 3 倍以上。
📊 Article Meta
AI Screening: 88
Source: LangChain Blog
Author: Sofia Sulikowski
Category: 人工智能
Language: 英文
Read Time: 4 min
Word Count: 770
Tags:
AI 与智能应用 , 上下文工程 , 平台工程 , AI Agent , Agent编排
很有价值的分享,感谢整理。
讲解得很细致,新手也能看懂。
看完了,收获满满,期待更多更新。
看标题就点进来了,内容果然没让人失望。
实测过类似工具,作者说的基本属实。
刚好最近在找这方面的资料,太及时了。
刚好最近在找这方面的资料,太及时了。
赞同,实践出真知。
很有价值的分享,感谢整理。
实话,说的不明不白
刚好最近在找这方面的资料,太及时了。
这个比较实用,已转发给同事。