人物
别名：hwchase17
文章作者，讨论无头平台的构建。
已跟踪 30 条高相关材料
最近变化
2026-06-09 · 循环（loops）是通过触发机制（triggers）启动的重复过程。
为什么值得关注
Harrison Chase 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
https://t.co/IFXwxW8Oac
Harrison Chase(@hwchase17) · 9.2 分
本文介绍了如何通过Auth Proxy来保护LangSmith代理沙箱的网络访问，确保在大规模部署代理时的安全性。Auth Proxy通过在网络层控制和管理代理与外部服务的交互，实现了凭据的安全管理、网络访问的显式控制以及团队职责的清晰分离。
ai coding is getting expensive use more open models!
Harrison Chase(@hwchase17) · 8.7 分
AI 编码成本正在飙升，使用开源模型可显著降低开支；Kimi K2.6 在 BaseTen 上比 Opus 4.7 便宜约 5 倍，且在多数任务中性能相当，推荐通过 deepagents-cli 测试开源模型。
Excited to dive into this - an open source agent designed with memory/continual learning in mind
Harrison Chase(@hwchase17) · 8.5 分
Harrison Chase 兴奋地介绍了一个开源的 AI 代理，该代理设计用于支持实际的持续学习。
已收录 30 条与 Harrison Chase 相关的内容，按评分排序。
本文介绍了如何通过Auth Proxy来保护LangSmith代理沙箱的网络访问，确保在大规模部署代理时的安全性。Auth Proxy通过在网络层控制和管理代理与外部服务的交互，实现了凭据的安全管理、网络访问的显式控制以及团队职责的清晰分离。
入选理由：Auth Proxy使API密钥不进入运行时，从而减少因提示注入、恶意依赖、意外日志记录和模型错误导致的损害。
AI 编码成本正在飙升，使用开源模型可显著降低开支；Kimi K2.6 在 BaseTen 上比 Opus 4.7 便宜约 5 倍，且在多数任务中性能相当，推荐通过 deepagents-cli 测试开源模型。
入选理由：Kimi K2.6 在 BaseTen 上价格仅为 Opus 4.7 的 1/5
Harrison Chase 兴奋地介绍了一个开源的 AI 代理，该代理设计用于支持实际的持续学习。
入选理由：Quarq Agent 是一个开源的 AI 代理，旨在支持持续学习。
本文介绍了 LangChain 的沙盒 Auth Proxy，这是一种控制代理生成行为与外部世界之间边界的工具。通过使用 Auth Proxy，可以安全地管理代理对网络资源的访问，防止未授权的访问和潜在的安全风险。
入选理由：Auth Proxy 是 LangChain 为管理代理行为与外部世界交互而设计的工具。
构建智能代理的最艰难事实是，只有在生产环境中才能真正了解它们的行为。LangChain 的联合创始人 Harrison Chase 强调了在开发和部署智能代理时面临的挑战，包括不可预测的行为、安全性和责任问题。他建议通过在受控环境中进行测试和监控来减轻这些风险，并强调了持续学习和适应的重要性。
入选理由：智能代理的行为在生产环境中才真正显现，因此需要在受控环境下进行测试和监控。
LangChain提出Agent开发生命周期（ADLC），将智能体开发划分为构建、测试、部署、监控四个阶段，强调其与传统软件开发的本质差异在于输入输出空间的无限性和非确定性，成功团队的核心模式是"早发布、快迭代"。
入选理由：Agent输入空间无限（自然语言/多模态），输出因LLM非确定性而难以预测，导致传统软件测试方法失效
验证器对强化学习至关重要，但成本高昂。通过团队协作和优化方法，验证器成本有望大幅降低。
入选理由：验证器在评估和强化学习中至关重要，但其成本随规模增加而显著上升。
Harrison Chase 推荐使用 LangChain 的 LangSmith Fleet 工具，通过自然语言构建无代码代理，助力开发者快速实现真实业务场景的自动化，免费课程可立即学习。
入选理由：使用 LangSmith Fleet 可通过自然语言创建无代码代理，降低开发门槛。
Harrison Chase 与 AWS 合作发布深度代理评估指南，利用 LangSmith 工具设计数据点与评估器，提升长周期智能体的可测性与可靠性，适用于构建复杂 AI 系统。
入选理由：使用 LangSmith 设计结构化数据点，支持长周期代理行为追踪与调试。
LangSmith Engine 目前仅支持 LangSmith 的追踪数据，但接入非常简单，支持 OTEL 和 30+ 框架。
入选理由：LangSmith 接入支持 OTEL 协议和 30+ 框架
文章介绍了一个基于 DeepAgent 的 AI 工具，用于竞争分析，整合了多个技术和平台。
入选理由：DeepAgent 工具整合了 Nemotron 3 Ultra、NVIDIA AI 和 Tavily AI 等技术。
本文介绍了 deepagents 的基本概念、在复杂任务中的优化方法以及如何将其部署到生产环境，但内容仅为推文引用和视频链接，缺乏具体技术细节和可操作信息。
入选理由：deepagents 是一种用于复杂任务的智能代理系统
LangChain 现已支持与 GEPA 集成，通过 PR 由 @bryonkuchML 贡献，允许开发者优化 LangChain 链式调用；官方文档提供适配教程，提升大模型应用的可组合性与效率。
入选理由：GEPA 与 LangChain 集成后，支持链式调用优化，提升提示工程效率。
LangSmith Engine 自动化了改进代理的过程，比预期更受欢迎。
入选理由：LangSmith Engine 自动化了代理改进过程。
Managed deep agents简化了长期时域代理的构建和部署，适用于支持、研究、编码和数据分析等任务。
入选理由：Managed deep agents简化长期时域代理的构建和部署。
文章讨论了构建无头办公平台的初步尝试，但信息密度低，缺乏深度技术内容。
入选理由：Witan Labs正在构建无头Office堆栈。
文章讨论了通过触发机制实现自动化循环流程，但信息密度较低，缺乏深度和具体案例。
入选理由：循环（loops）是通过触发机制（triggers）启动的重复过程。
LangSmith Engine 是一个基于调用链的自动化代理，能自动发现问题并建议代码修改或添加评估器。
入选理由：LangSmith Engine 可在后台运行并自动分析 LangChain 应用的 traces。
文章内容为推文形式，未提供具体技术细节或深度分析，信息密度低。
入选理由：文章为推文形式，未提供具体技术细节。
LangSmith Sandboxes已正式发布（GA），但文章仅作产品公告，无技术细节和实用指导。
入选理由：LangSmith Sandboxes于2026年6月1日宣布GA，提供代理代码安全运行环境。
DeepAgents 0.6版本发布，重点优化模型层、代理层、规模化及长期运行性能，新增代码解释器等五项功能。由Sydney Runkle撰写发布说明，获LangChain创始人Harrison Chase转发推荐。
入选理由：DeepAgents 0.6版本聚焦性能优化，覆盖模型层、代理层、规模化场景和长期运行四个维度
Jake Broekhuizen 将参与持续学习领域工作，有兴趣者可联系他。
入选理由：Jake Broekhuizen 正在推进持续学习领域的合作。
Harrison Chase 在 X 上分享 DeepAgents 部署的初步方向，邀请社区反馈功能缺失，内容较简略。
入选理由：DeepAgents 的部署尚处于早期探索阶段，方向性明确但功能不完整。
LangSmith Engine 宣称可自动修复代理失败问题，无需手动排查，但该推文未提供技术细节或实证数据，仅为产品推广。
入选理由：LangSmith Engine 宣称可自动修复代理失败问题，无需手动排查，但该推文未提供技术细节或实证数据，仅为产品推广
Langsmith 被称作 AI 工程的‘全自动驾驶’时刻，但缺乏技术细节，仅凭口号难支撑其未来地位。
入选理由：Langsmith 被定位为 AI 工程的里程碑式工具，但未披露架构或功能细节。
Harrison Chase 将在纽约参与一场关于智能体技术的公开对话，活动信息推广价值有限。
入选理由：活动将在约一周后于纽约举行
Harrison Chase 发起投票询问用户更偏好 SmithDB 还是 LangSmith Engine 的发布，两者分别为专为智能体追踪数据设计的数据库和基于追踪数据优化智能体的代理工具。
入选理由：SmithDB 是专为存储和管理智能体（agent）追踪数据构建的数据库。
Harrison Chase转发Harvey团队发布的法律领域长周期代理基准测试，呼吁加强AI代理的评估体系建设。
入选理由：AI代理在法律领域的应用需要专门的长周期任务基准测试。
NVIDIA AI在X平台发布一则简短访谈预告，提及LangChain三年内从周末项目发展至超10亿次下载，并提出‘企业需要claw策略’的概念，但未展开具体内容。
入选理由：LangChain在三年内实现超10亿次下载，成长迅速。
该内容仅为一条社交媒体推文，预告了关于 LangSmith Engine 构建的深度文章，但未提供任何技术细节、机制或原理，信息密度极低。
入选理由：LangChain 公司创始人 Harrison Chase 预告了一篇技术文章。
