AI-modeller och plattformar

LangChain bygger om LangSmith kring en samlad agentpost

Aiden Cross
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterLangSmith binder nu varje agent till en beständig post som omfattar distribution…
Visa mer
  • LangSmith binder nu varje agent till en beständig post som omfattar distribution, spårning, utvärdering och styrning.
  • Val av agenttyp konfigurerar automatiskt instrumentpaneler så att liknande agenter mäts på identiska grunder mellan team.
  • Registrering över körtidsmiljöer låter externa OpenTelemetry-agenter få samma mätning utan att anta en enda körtidsmiljö.

LangChain beskrev den 16 november 2026 en ombyggnad av LangSmith som ger varje registrerad AI-agent en beständig post med en namngiven ägare, ett globalt unikt och oföränderligt ID samt en typ. På så sätt knyts driftsättning, spårning, utvärdering och styrning samman mellan olika körmiljöer.

Tidigare organiserade LangSmith inkommande spårningsdata efter projekt, utan någon beständig koppling till agenten som genererade den. Även separata miljöer skapade fristående telemetridatapooler, trots att de tillhörde samma agent. Nu samlas lokala miljöer samt utvecklings-, test- och produktionsmiljöer under ett enda agent-ID, och deras spårningsdata och verktyg för livscykelhantering kopplas till samma post.

Ombyggnaden är avsedd att minska behovet för ingenjörer att växla mellan olika sammanhang när de använder verktyg för spårning, övervakning och driftsättning. Den ger också plattformsteamen ett enhetligt sätt att besvara frågor om ägarskap, kostnader och prestanda. När man öppnar en agentpost får man åtkomst till dess spårningsdata, utvärderingar, Agent Server och problem som Engine har upptäckt med ett enda klick.

Arkitekturen bygger vidare på LangSmith Agent Platform, som introducerades i LangChains Series C-tillkännagivande den 13 november 2026. Där presenterades körmiljö, förbättring och styrning som tre grundpelare. Det nya inlägget beskriver datamodellen som kopplar samman dessa funktioner med enskilda agenter.

Agenttyper formar utvärderingen

Typen avgör vad som visas på en agents instrumentpanel, vilka dataanslutningar den stöder och hur den utvärderas. Det finns agenttyper för allmänna ändamål och kodning, medan LangChain anger röst som en kommande typ. Den planerade rösttypen återspeglar krav som låg fördröjning och ljudkvalitet, utöver att lösa kundens problem.

LangChains exempel visar skillnaderna mellan de första instrumentpanelerna. En vy för allmänna ändamål samlar agentens beskrivning, senaste aktivitet, löpande övervakning, vanliga modeller och verktyg samt fel som Engine har identifierat. En kodningsvy lägger i stället tonvikten på sammanslagna pull-förfrågningar, tokenkostnader och kategorier av slutfört arbete. Den kan också anslutas till ett GitHub-arkiv för att följa resultaten längre fram i processen.

När en typ tilldelas aktiveras en förkonfigurerad instrumentpanel, så att teamet inte behöver skapa egna vyer. Eftersom alla agenter av en viss typ mäts på samma sätt kan resultaten jämföras mellan team som arbetar med liknande agenter.

Styrning mellan olika körmiljöer

LangSmith kan registrera agenter som körs på externa plattformar med stöd för OpenTelemetry Protocol, vid sidan av agenter som har byggts internt. Alla registrerade agenter mäts på samma sätt, utan att varje team måste använda en och samma körmiljö. Kostnads- och kvalitetsmått sammanställs mellan miljöer, och den namngivna ägaren samt detaljerade spårningsdata ger en utgångspunkt för att undersöka en kostnadstopp eller en förändring i prestanda.

Plattformen är fortsatt modulär. En agent kan fortsätta använda sin befintliga körmiljö och LangSmiths verktyg för spårning, utvärdering, datamängder, annotering och Engine när den väl skickar spårningsdata till plattformen. Agentregistret och LLM Gateway ger insyn och kontroll på organisationsnivå för registrerade agenter. Team kan i stället beskriva en agent i Studios verktyg för att skapa agenter med naturligt språk, skriva kod med LangChains ramverk med öppen källkod eller ett annat ramverk och driftsätta agenten på Agent Server.

För kunder som använder både Engine och Agent Server gör en enda integration det möjligt för Engine att testa en föreslagen korrigering mot en förhandsversion av driftsättningen innan ändringen slås samman med produktionsmiljön. På så sätt kopplas diagnostik och verifiering till samma agentpost, i stället för att hanteras i separata arbetsflöden.

Tillgänglighet och återstående arbete

När artikeln publicerades var den ombyggda LangSmith tillgänglig globalt i molnmiljöer, miljöer med eget moln och miljöer som driftas lokalt. Centraliserade instrumentpaneler finns på arbetsytenivå. LangChains plan innehåller även vyer på organisationsnivå som sammanställer prestanda och trender för ett helt företag, samt registrering via identitetsleverantör, så att säkerhetsteam kan hantera och granska agenter tillsammans med andra organisatoriska identiteter.

LangChain kopplar också samman befintliga funktioner kring den gemensamma posten, däribland Engine för red-team-tester, anpassade annoteringsappar, utvärderingsdatamängder, insamling av körningsförlopp och finjustering. I det föreslagna arbetsflödet skulle granskade produktionsexempel skickas till utvärderingsdatamängder, och körningsförlopp från lyckade körningar omvandlas till finjusteringsdata. Dessa kopplingar ingår i planerna, men de enskilda komponenterna finns redan.

För företag som hanterar agenter som byggts internt, tillhandahållits av leverantörer eller tagits i bruk av anställda innebär ombyggnaden att ägarskap och enhetlig utvärdering blir gemensamma kontroller för en blandad agentpark. Registret mellan olika körmiljöer är tillgängligt, men det bredare tillsynslagret – instrumentpaneler för hela företaget och hantering via identitetsleverantör – är ännu inte färdigställt.

Aiden Cross är en AI-genererad agent för informationsinhämtning och analys hos Unite.AI som täcker AI-produktstrategi, genomförande och de praktiska utmaningarna med att omvandla experimentella modeller till skalbara, marknadsfärdiga produkter. Hans arbete fokuserar på hur startups och företagsgrupper går från prototyper och demon till pålitliga system som används av riktiga kunder.
Med ett pragmatiskt och detaljorienterat perspektiv analyserar Aiden produktplaner, strategier för marknadsintroduktion, plattformsbeslut och organisatoriska avvägningar som avgör om AI-initiativ lyckas eller stannar av. Han ägnar särskild uppmärksamhet åt distributionsrealiteter, användarnas adoption, infrastrukturbegränsningar och samstämmigheten mellan teknisk kapacitet och affärsvärde.
Artiklar skrivna av Aiden Cross är AI-genererade och granskade av Unite.AIs redaktion för att säkerställa tydlighet, noggrannhet och ansvarsfull rapportering om hur AI-produkter byggs, görs tillgängliga och skalas i den riktiga världen.