AI-modeller og plattformer

LangChain bygger LangSmith om rundt én samlet agentoppføring

Aiden Cross
Legg til Unite.AI blant dine foretrukne kilder på Google

LangChain beskrev 16. november 2026 en ombygging av LangSmith som gir hver registrerte KI-agent en varig oppføring med en navngitt eier, en globalt unik og uforanderlig ID og en type. Oppføringen knytter sammen utrulling, sporing, evaluering og styring på tvers av kjøremiljøer.

Tidligere organiserte LangSmith innkommende sporingsdata etter prosjekt, uten en varig kobling til agenten som genererte dem. Separate miljøer skapte også uavhengige samlinger av telemetridata, selv når de tilhørte samme agent. Lokale miljøer, utviklingsmiljøer, stagingmiljøer og produksjonsmiljøer ligger nå under én agent-ID, og sporingsdataene og verktøyene for agentens livssyklus er knyttet til den samme oppføringen.

Ombyggingen skal redusere behovet for ingeniører til å bytte mellom ulike verktøy for sporing, overvåking og utrulling. Den gir også plattformteam en enhetlig måte å besvare spørsmål om eierskap, kostnader og ytelse på. Når man åpner en agentoppføring, får man tilgang til agentens sporingsdata, evalueringer, Agent Server og problemer som Engine har avdekket, med ett klikk.

Arkitekturen bygger videre på LangSmith Agent Platform, som ble introdusert i kunngjøringen av LangChains Series C-runde 13. november 2026. Der ble kjøremiljø, forbedring og styring presentert som tre grunnpilarer. Det nye innlegget beskriver datamodellen som knytter disse funksjonene til individuelle agenter.

Agenttyper legger føringer for evalueringen

Typen avgjør hva som vises på agentens dashbord, hvilke datatilkoblinger den støtter, og hvordan den evalueres. Typene for generell bruk og koding er tilgjengelige, mens LangChain oppgir at taletypen kommer senere. Den planlagte taletypen tar hensyn til krav som lav forsinkelse og lydkvalitet, i tillegg til å løse kundens problem.

Eksemplene fra LangChain viser forskjellene mellom de første dashbordene. En visning for generell bruk samler agentens beskrivelse, nylig aktivitet, overvåking på nett, ofte brukte modeller og verktøy samt feil som Engine har identifisert. En kodevisning legger i stedet vekt på sammenslåtte pull-forespørsler, tokenkostnader og kategorier av fullført arbeid. Den kan også kobles til et GitHub-arkiv for å spore videre resultater.

Når en type tilordnes, aktiveres et forhåndskonfigurert dashbord uten at teamet må lage egne visninger. Siden alle agenter av samme type måles etter samme kriterier, kan resultatene sammenlignes på tvers av team som arbeider med lignende agenter.

Styring på tvers av kjøremiljøer

LangSmith kan registrere agenter som kjører på eksterne plattformer med støtte for OpenTelemetry Protocol, i tillegg til agenter som er utviklet internt. Registrerte agenter måles på samme måte uten at alle team må ta i bruk ett bestemt kjøremiljø. Kostnads- og kvalitetsmålinger summeres på tvers av miljøer, og den navngitte eieren samt detaljerte sporingsdata gir et utgangspunkt for å undersøke en kostnadsøkning eller en endring i ytelsen.

Plattformen er fortsatt modulær. En agent kan fortsette å bruke sitt eksisterende kjøremiljø og ta i bruk LangSmiths verktøy for sporing, evaluering, datasett, annotering og Engine når den først sender sporingsdata til plattformen. Agentregisteret og LLM Gateway gir registrerte agenter synlighet og kontroll på organisasjonsnivå. Teamene kan i stedet beskrive en agent i Studios verktøy for bygging med naturlig språk, skrive kode med LangChains rammeverk med åpen kildekode eller et annet rammeverk og rulle ut på Agent Server.

For kunder som bruker både Engine og Agent Server, gjør én integrasjon det mulig for Engine å teste en foreslått løsning mot en forhåndsvisningsutrulling før endringen slås sammen med produksjonsversjonen. Dermed knyttes feilsøking og verifisering til den samme agentoppføringen, i stedet for å foregå i separate arbeidsflyter.

Tilgjengelighet og gjenstående arbeid

Da artikkelen ble publisert, var den ombygde LangSmith tilgjengelig globalt i skyen, i kundens egen sky og i selvdriftede miljøer. Sentraliserte dashbord er tilgjengelige på arbeidsområdenivå. LangChains veikart omfatter visninger på organisasjonsnivå som samler ytelse og trender på tvers av et selskap, samt registrering via identitetsleverandør, slik at sikkerhetsteam kan administrere og revidere agenter sammen med andre identiteter i organisasjonen.

LangChain knytter også eksisterende funksjoner sammen rundt den delte oppføringen, blant annet red team-testing med Engine, tilpassede annoteringsapper, evalueringsdatasett, innsamling av handlingsforløp og finjustering. Den foreslåtte arbeidsflyten skal sende gjennomgåtte produksjonseksempler til evalueringsdatasett og gjøre handlingsforløp fra vellykkede kjøringer om til data for finjustering. Disse koblingene er en del av veikartet; de enkelte komponentene finnes allerede.

For virksomheter som administrerer agenter utviklet internt, levert av leverandører og tatt i bruk av ansatte, etablerer ombyggingen eierskap og ensartet evaluering som felles kontrollmekanismer på tvers av en blandet agentpark. Registeret på tvers av kjøremiljøer er tilgjengelig, men det bredere laget for oversikt – dashbord for hele selskapet og administrasjon via identitetsleverandør – er ennå ikke ferdigstilt.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.