AI-modeller og platforme

LangChain genopbygger LangSmith omkring en samlet agentregistrering

Aiden Cross
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterLangSmith binder nu hver agent til én vedvarende post, der spænder over implementering…
Vis mere
  • LangSmith binder nu hver agent til én vedvarende post, der spænder over implementering, sporing, evaluering og styring.
  • Valg af agenttype konfigurerer automatisk dashboards, så lignende agenter måles på identiske grundlag på tværs af teams.
  • Registrering på tværs af runtime lader eksterne OpenTelemetry-agenter modtage den samme måling uden at skulle tage én runtime i brug.

LangChain beskrev den 16. november 2026 en genopbygning af LangSmith, hvor hver registreret AI-agent får sin egen varige registrering med en navngiven ejer, et globalt entydigt og uforanderligt ID samt en type. Det forbinder udrulning, sporing, evaluering og styring på tværs af kørselsmiljøer.

Tidligere organiserede LangSmith indgående spor efter projekt uden en varig forbindelse til den agent, der havde genereret dem. Forskellige miljøer skabte også adskilte puljer af telemetridata, selv når de tilhørte den samme agent. Nu samles lokale miljøer, udviklings-, test- og produktionsmiljøer under ét agent-ID, og deres spor og værktøjer til håndtering af agentens livscyklus knyttes til den samme registrering.

Det nye design skal mindske behovet for, at ingeniører skifter mellem værktøjer til sporing, overvågning og udrulning. Det giver også platformteams en ensartet måde at besvare spørgsmål om ejerskab, omkostninger og ydeevne på. Når man åbner en agentregistrering, får man adgang til dens spor, evalueringer, Agent Server og problemer, som Engine har identificeret, med ét klik.

Arkitekturen bygger videre på LangSmith Agent Platform, som blev præsenteret i LangChains meddelelse om Series C-finansiering den 13. november 2026. Her blev runtime, forbedring og styring fremhævet som tre grundpiller. Det nye indlæg beskriver den datamodel, der forbinder disse funktioner med de enkelte agenter.

Agenttyper former evalueringen

Typen afgør, hvad der vises på en agents kontrolpanel, hvilke dataforbindelser den understøtter, og hvordan den evalueres. Der findes agenttyper til generelle formål og kodning, mens LangChain angiver, at stemmefunktionalitet kommer senere. Den planlagte stemmetype afspejler krav som lav latenstid og lydkvalitet ud over kravet om at løse kundens problem.

LangChains eksempler viser forskellen mellem de første kontrolpaneler. En visning til generelle formål samler agentens beskrivelse, seneste aktivitet, overvågning i realtid, ofte anvendte modeller og værktøjer samt fejl identificeret af Engine. En kodevisning lægger i stedet vægt på sammenflettede pull requests, tokenomkostninger og kategorier af udført arbejde. Den kan også forbindes til et GitHub-arkiv for at følge resultaterne længere ned i processen.

Når man tildeler en type, aktiveres et forudkonfigureret kontrolpanel, så teamet ikke behøver at opbygge tilpassede visninger. Da alle agenter af samme type måles efter det samme grundlag, kan resultater sammenlignes på tværs af teams, der arbejder med lignende agenter.

Styring på tværs af kørselsmiljøer

LangSmith kan registrere agenter, der kører på eksterne platforme med understøttelse af OpenTelemetry Protocol, på linje med agenter, der er udviklet internt. De registrerede agenter måles på samme måde, uden at alle teams behøver at anvende det samme kørselsmiljø. Omkostnings- og kvalitetsmålinger samles på tværs af miljøer, og den navngivne ejer samt detaljerede spor giver et udgangspunkt for at undersøge en pludselig stigning i omkostningerne eller en ændring i ydeevnen.

Platformen er fortsat sammensætbar. En agent kan blive i sit eksisterende kørselsmiljø og bruge LangSmiths værktøjer til sporing, evaluering, datasæt, annotering og Engine, så snart den sender spor til platformen. Agentregisteret og LLM Gateway giver registrerede agenter synlighed og kontrol på organisationsniveau. Teams kan i stedet beskrive en agent i Studios værktøj til opbygning med naturligt sprog, skrive kode med LangChains open source-værktøjer eller en anden ramme og udrulle den på Agent Server.

For kunder, der bruger både Engine og Agent Server, gør én integration det muligt for Engine at afprøve en foreslået rettelse i en forhåndsvisningsudrulning, før ændringen flettes ind i produktionen. Dermed knyttes diagnosticering og verifikation til den samme agentregistrering i stedet for at foregå i separate arbejdsgange.

Tilgængelighed og resterende arbejde

På udgivelsestidspunktet var den genopbyggede LangSmith tilgængelig globalt i cloudmiljøer, i miljøer med kundens egen cloud og i selvhostede miljøer. Centraliserede kontrolpaneler fungerer på arbejdsområdeniveau. LangChains køreplan omfatter visninger på organisationsniveau, der samler ydeevne og tendenser på tværs af en virksomhed, samt registrering via identitetsudbyder, så sikkerhedsteams kan administrere og revidere agenter sammen med organisationens øvrige identiteter.

LangChain forbinder også eksisterende funktioner omkring den fælles registrering, herunder red teaming med Engine, tilpassede annoteringsapps, evalueringsdatasæt, indsamling af agentforløb og finjustering. Den foreslåede arbejdsgang skal sende gennemgåede eksempler fra produktionen til evalueringsdatasæt og omdanne agentforløb fra vellykkede kørsler til data til finjustering. Disse forbindelser indgår i køreplanen; de enkelte komponenter findes allerede.

For virksomheder, der administrerer agenter, som er udviklet internt, leveret af leverandører eller taget i brug af medarbejdere, etablerer genopbygningen ejerskab og ensartet evaluering som fælles kontrolmekanismer på tværs af en blandet portefølje. Registeret på tværs af kørselsmiljøer er tilgængeligt, men det bredere tilsynslag – kontrolpaneler for hele virksomheden og identitetsstyring via identitetsudbyder – er endnu ikke færdigudviklet.

Aiden Cross er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI-produktstrategi, udførelse og de praktiske udfordringer ved at omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbejde fokuserer på, hvordan startups og virksomhedsteams bevæger sig fra prototyper og demos til pålidelige systemer, der bruges af rigtige kunder.
Med et pragmatisk og detaljeorienteret perspektiv analyserer Aiden produktroadmaps, strategier for markedsintroduktion, platformbeslutninger og organisatoriske kompromiser, der bestemmer, om AI-initiativer lykkes eller stagnerer. Han lægger særlig vægt på implementeringsrealiteter, brugeradoption, infrastrukturbegrænsninger og sammenhængen mellem teknisk kapacitet og forretningsværdi.
Artikler skrevet af Aiden Cross er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre klarhed, nøjagtighed og ansvarlig dækning af, hvordan AI-produkter bygges, leveres og skaleres i den virkelige verden.