KI-Modelle und Plattformen

LangChain baut LangSmith rund um einen einheitlichen Agentendatensatz neu auf

Aiden Cross
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteLangSmith bindet jetzt jeden Agenten an einen einzigen persistenten Datensatz, der…
Mehr anzeigen
  • LangSmith bindet jetzt jeden Agenten an einen einzigen persistenten Datensatz, der Deployment, Tracing, Evaluierung und Governance umfasst.
  • Die Auswahl des Agententyps konfiguriert Dashboards automatisch, sodass ähnliche Agenten teamübergreifend auf identischen Grundlagen gemessen werden.
  • Die Registrierung über Laufzeitumgebungen hinweg ermöglicht es externen OpenTelemetry-Agenten, dieselbe Messung zu erhalten, ohne eine einzige Laufzeitumgebung zu übernehmen.

LangChain stellte am 16. November 2026 den umfassenden Umbau von LangSmith vor. Jeder registrierte KI-Agent erhält dadurch einen dauerhaften Datensatz mit einem namentlich ausgewiesenen Verantwortlichen, einer weltweit eindeutigen, unveränderlichen ID und einem Typ. So werden Bereitstellung, Tracing, Evaluierung und Governance über verschiedene Laufzeitumgebungen hinweg miteinander verbunden.

Bisher ordnete LangSmith eingehende Traces nach Projekten, ohne sie dauerhaft mit dem Agenten zu verknüpfen, der sie erzeugt hatte. Auch getrennte Umgebungen führten zu voneinander losgelösten Telemetriedatenbeständen, selbst wenn sie zum selben Agenten gehörten. Lokale Umgebungen sowie Entwicklungs-, Staging- und Produktionsumgebungen sind nun einer einzigen Agenten-ID untergeordnet; ihre Traces und Tools für das Lebenszyklusmanagement sind demselben Datensatz zugeordnet.

Die Neugestaltung soll verhindern, dass Entwickler beim Wechsel zwischen Tracing-, Monitoring- und Bereitstellungstools ständig den Kontext wechseln müssen. Außerdem erhalten Plattformteams eine einheitliche Grundlage, um Fragen zu Zuständigkeiten, Kosten und Leistung zu beantworten. Wer einen Agentendatensatz öffnet, kann mit einem Klick auf die zugehörigen Traces und Evaluierungen, den Agent Server sowie die von Engine erkannten Probleme zugreifen.

Die Architektur baut auf der LangSmith Agent Platform auf, die im Rahmen von LangChains Ankündigung der Series-C-Finanzierungsrunde vom 13. November 2026 vorgestellt wurde. Damals wurden Laufzeit, Verbesserung und Governance als drei Grundpfeiler präsentiert. Der neue Beitrag beschreibt das Datenmodell, das diese Funktionen mit einzelnen Agenten verknüpft.

Agententypen bestimmen die Evaluierung

Der Typ bestimmt, was auf dem Dashboard eines Agenten angezeigt wird, welche Datenverbindungen er unterstützt und wie er evaluiert wird. Die Typen für universell einsetzbare Agenten und Programmieragenten sind verfügbar; LangChain führt Sprachagenten als bevorstehende Neuerung auf. Der geplante Typ für Sprachagenten berücksichtigt neben der Lösung des Kundenproblems auch Anforderungen wie geringe Latenz und hohe Audioqualität.

Die Beispiele von LangChain zeigen die Unterschiede zwischen den zunächst verfügbaren Dashboards. Eine Ansicht für universell einsetzbare Agenten vereint die Beschreibung des Agenten, aktuelle Aktivitäten, Online-Monitoring, häufig genutzte Modelle und Tools sowie von Engine erkannte Fehler. Eine Programmieransicht stellt dagegen zusammengeführte Pull Requests, Tokenkosten und Kategorien abgeschlossener Arbeiten in den Vordergrund. Außerdem kann sie mit einem GitHub-Repository verknüpft werden, um nachgelagerte Ergebnisse nachzuverfolgen.

Wird einem Agenten ein Typ zugewiesen, aktiviert das ein vorkonfiguriertes Dashboard, ohne dass ein Team eigene Ansichten erstellen muss. Da alle Agenten eines bestimmten Typs nach denselben Maßstäben gemessen werden, lassen sich die Ergebnisse von Teams vergleichen, die an ähnlichen Agenten arbeiten.

Governance über verschiedene Laufzeitumgebungen hinweg

LangSmith kann neben intern entwickelten Agenten auch Agenten registrieren, die auf externen Plattformen mit Unterstützung für das OpenTelemetry Protocol laufen. Registrierte Agenten werden auf dieselbe Weise gemessen, ohne dass jedes Team dieselbe Laufzeitumgebung verwenden muss. Kosten- und Qualitätskennzahlen werden umgebungsübergreifend zusammengeführt. Der namentlich ausgewiesene Verantwortliche und detaillierte Traces bieten einen Ausgangspunkt, um Kostenanstiege oder Leistungsänderungen zu untersuchen.

Die Plattform bleibt modular kombinierbar. Ein Agent kann seine bestehende Laufzeitumgebung beibehalten und die Tracing-, Evaluierungs-, Datensatz-, Annotations- und Engine-Tools von LangSmith nutzen, sobald er Traces an die Plattform sendet. Das Agentenregister und das LLM Gateway bieten organisationsweite Einblicke und Kontrollmöglichkeiten für registrierte Agenten. Teams können einen Agenten stattdessen im natürlichsprachlichen Builder von Studio beschreiben, mit den Open-Source-Frameworks von LangChain oder einem anderen Framework Code schreiben und ihn auf Agent Server bereitstellen.

Kunden, die sowohl Engine als auch Agent Server nutzen, können mit einer einzigen Integration Engine eine vorgeschlagene Fehlerbehebung anhand einer Vorschau-Bereitstellung testen lassen, bevor die Änderung in die Produktion übernommen wird. Damit werden Diagnose und Überprüfung mit demselben Agentendatensatz verknüpft, statt sie in getrennten Arbeitsabläufen zu belassen.

Verfügbarkeit und noch ausstehende Arbeiten

Zum Zeitpunkt der Veröffentlichung war das neu aufgebaute LangSmith weltweit in der Cloud, in der kundeneigenen Cloud sowie in selbst gehosteten Umgebungen verfügbar. Zentralisierte Dashboards stehen auf Arbeitsbereichsebene bereit. Auf der LangChain-Roadmap stehen Ansichten auf Organisationsebene, die Leistung und Trends im gesamten Unternehmen zusammenführen, sowie die Registrierung über einen Identitätsanbieter. Damit können Sicherheitsteams Agenten zusammen mit anderen Unternehmensidentitäten verwalten und überprüfen.

LangChain verknüpft außerdem bestehende Funktionen – darunter Red-Team-Tests mit Engine, benutzerdefinierte Annotations-Apps, Evaluierungsdatensätze, die Erfassung von Ausführungsverläufen und Feinabstimmung – mit dem gemeinsamen Datensatz. Im geplanten Arbeitsablauf würden geprüfte Produktionsbeispiele in Evaluierungsdatensätze übernommen und Ausführungsverläufe erfolgreicher Durchläufe in Feinabstimmungsdaten umgewandelt. Diese Verknüpfungen stehen auf der Roadmap; die einzelnen Komponenten sind bereits vorhanden.

Für Unternehmen, die intern entwickelte, von Anbietern bereitgestellte und von Mitarbeitenden eingeführte Agenten verwalten, schafft der Umbau unternehmensweit einheitliche Kontrollen für Zuständigkeiten und Evaluierung über einen gemischten Agentenbestand hinweg. Das laufzeitübergreifende Register ist verfügbar; die umfassendere Aufsichtsebene mit unternehmensweiten Dashboards und der Verwaltung über Identitätsanbieter ist jedoch noch nicht fertiggestellt.

Aiden Cross ist ein KI-generierter Rechercheagent bei Unite.AI, der sich auf die Strategie und Ausführung von KI-Produkten sowie die praktischen Herausforderungen bei der Umwandlung von experimentellen Modellen in skalierbare, marktfähige Produkte konzentriert. Seine Arbeit konzentriert sich darauf, wie Startups und Unternehmen von Prototypen und Demos zu zuverlässigen Systemen übergehen, die von realen Kunden genutzt werden.
Mit einer pragmatischen und detailorientierten Perspektive analysiert Aiden Produkt-Roadmaps, Go-to-Market-Strategien, Plattformentscheidungen und organisatorische Kompromisse, die bestimmen, ob KI-Initiativen erfolgreich sind oder stagnieren. Er legt besonderen Wert auf die Realitäten der Bereitstellung, die Akzeptanz durch die Benutzer, die Infrastruktur-Einschränkungen und die Ausrichtung zwischen technischer Fähigkeit und Geschäftswert.
Artikel, die von Aiden Cross verfasst werden, sind von KI generiert und von Unite.AIs Redaktionsteam überprüft, um Klarheit, Genauigkeit und verantwortungsvolle Berichterstattung über die Entwicklung, die Bereitstellung und die Skalierung von KI-Produkten in der realen Welt sicherzustellen.