https://t.co/IFXwxW8Oac
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。
产品
别名:LangSmith AI
LangChain推出的通用运行时抽象产品
已跟踪 30 条高相关材料
最近变化
2026-11-17 · confirm_order工具通过对比订单总额与最低配送标准进行评估
为什么值得关注
LangSmith 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。
Closing the Loop | Introduction to LangSmith (11/12)
LangChain · 8.5 分
LangSmith通过自动化评估、人工审核和基线实验实现生产代理闭环优化,包含订单确认工具修复等完整流程。
Insights | Introduction to LangSmith (9/12)
LangChain · 8.5 分
LangSmith Insights通过自动分析生产数据,发现客户与代理交互中的隐藏问题,如交付最低限额投诉,并生成覆盖所有线程的分类报告。
已收录 30 条与 LangSmith 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。
LangSmith注释队列通过人工审核校准LLM情感评分,解决自动化评估偏差问题,提升模型可靠性。
入选理由:人工审核发现20%的LLM评分与实际情感不符,需校准
LangSmith Insights通过自动分析生产数据,发现客户与代理交互中的隐藏问题,如交付最低限额投诉,并生成覆盖所有线程的分类报告。
入选理由:Insights自动分析生产数据,可发现评估器未覆盖的隐藏问题
LangSmith通过自动化评估、人工审核和基线实验实现生产代理闭环优化,包含订单确认工具修复等完整流程。
入选理由:confirm_order工具通过对比订单总额与最低配送标准进行评估
LangSmith 推出全新 Agent 平台,整合构建、运行、优化和治理所有代理的流程,提升组织效率。
入选理由:LangSmith 新平台支持统一管理所有代理,提升组织效率。
LangSmith 现在以代理为核心对象,整合开发工作流,使平台团队能够统一管理代理的整个生命周期。
入选理由:LangSmith 现在以代理为核心对象,整合开发工作流。
自行构建运行时可能因边缘案例和机会成本过高而得不偿失,使用通用运行时抽象更高效。
入选理由:迁移到LangSmith运行时可减少80%的边缘案例处理时间
LangSmith通过分析生产流量的多维模式,帮助工程师区分工具问题与模型问题,提升客户支持效率。
入选理由:LangSmith可同时分析使用模式、成本、错误和延迟等多维数据
轨迹标注需多维评估而非单一判断,Edith-1模型以1/274成本超越Sonnet-5.5,LangSmith框架实现难度与正确性分离评估。
入选理由:轨迹标注需同时评估难度与正确性两个维度
LangChain团队通过成本可见性、控制和优化工具,连续两个月显著降低编码代理成本。
入选理由:使用LangSmith实现成本追踪可获得细粒度可见性
Clay通过LangSmith的insights产品和在线评估器实现百万级代理运行监控,揭示规模化部署中的行为分析挑战。
入选理由:LangSmith的insights产品可分析百万级代理运行中的用户行为模式
代理改进应聚焦于工具链优化而非模型本身,通过调整工具边界实现性能提升。
入选理由:工具链优化(harness improvement)是提升代理性能的关键,而非直接改进模型。
丰田通过LangChain和LangSmith实现制造AI,减少停机时间并获得六位数ROI。
入选理由:LangChain使丰田节省数百万美元开发成本,避免重复造轮子
LangSmith 现支持 AWS 自带云部署,数据保留在 AWS 边界内,LangChain 管理运维,兼顾数据主权与托管服务效率。
入选理由:LangSmith BYOC 部署使数据保留在 AWS 边界内
LangSmith沙箱为AI代理提供安全隔离的计算环境,支持秒级启动、代码执行和资源控制,已被7000+企业采用。
入选理由:LangSmith沙箱可在1秒内创建隔离的计算环境
LLM评估框架存在可测量偏差,RAGAS/DeepEval/Promptfoo各有适用场景,需结合生产监控工具实现完整评估体系。
入选理由:RAGAS/DeepEval/Promptfoo三框架分别适用于不同评估场景,成熟团队常并行使用
LangSmith 现已支持 Cursor、Copilot 等编码代理的标准化追踪,实现无需额外配置的全链路可观测性。
入选理由:LangSmith 支持 Cursor/Copilot/Pi/OpenCode 四大编码代理的统一追踪
LangChain为Codex会话集成LangSmith追踪插件,实现工具调用、令牌使用等操作的实时追踪。
入选理由:LangSmith插件可捕获Codex会话中的工具调用、令牌使用和子代理线程数据
LangSmith新增对Cursor、Copilot等代码代理的全会话追踪功能,支持无需额外配置的稳定键标识与运行树分析。
入选理由:LangSmith支持Cursor/Copilot/Pi/OpenCode四款代码代理的统一追踪
施耐德电气通过自托管LangSmith平台管理全球60+ AI代理,覆盖100+国家,其AI助手服务16万员工,验证了LLMOps在大规模AI部署中的可行性。
入选理由:LangSmith平台支持跨100+国家的AI代理实时追踪
GLM 5.2与dcode结合实现开源模型编码突破,性能接近闭源模型且成本更低。
入选理由:GLM 5.2在终端基准测试中得81分,仅比Opus/GPT 5.5低2分
LangSmith 通过将代理的交互痕迹转化为持久记忆,实现代理的持续学习与行为优化。
入选理由:代理的短期记忆用于当前任务,长期记忆用于跨运行的行为改进。
LangSmith 引入了‘睡眠时间计算’机制,通过后台分析代理轨迹并更新记忆存储,提升智能代理的长期记忆能力。
入选理由:LangSmith 支持通过后台进程分析代理轨迹并更新记忆存储。
LangChain 推出 Engine,通过自动化分析代理日志和测试,提升代理开发效率。
入选理由:Engine 可自动分析代理日志并生成修复建议。
可观测性对于智能代理是必不可少的,需结合 LangGraph 和 LangSmith 工具实现。
入选理由:LangGraph 用于智能代理的编排,LangSmith 用于追踪、评估和回归测试。
LangSmith Sandboxes通过隔离执行环境安全运行不受信任的代理代码,有效防止如'sci-holude'供应链攻击等风险,适用于AI代理在软件工程、数据分析等场景。
入选理由:75% of Google code is AI-generated, 41% of GitHub commits from AI, 需LangSmith Sandboxes防止安全风险。
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
本文介绍了七款领先的LLM可观测性工具,帮助AI工程师监控、评估和调试生产环境中的大型语言模型应用。
入选理由:LangSmith 提供全面的开发和生产生命周期支持,适用于使用 LangChain 或 LangGraph 的团队。
在AI代理系统中使用沙箱环境可显著降低生产风险,尤其在执行高危操作时能有效隔离错误、防止数据污染,并提升调试效率。
入选理由:90%的生产级AI代理应使用沙箱以降低运行风险。
LangSmith 的 Context Hub 提供集中化、版本化的上下文管理方案,解决 AI Agent 因上下文缺失、过时或分散导致的行为失效问题;通过 agent.md 合约与 memory 文件夹实现人类可编辑、Agent 可读写的协同机制。
入选理由:Context Hub 支持 Markdown 编辑 agent.md(代理操作合约)与 /memories/ 路径下的记忆文件,实现人类与 Agent 共享上下文源