🏷️ LangSmith

LangSmith Engine 构建详解：利用 Agent 优化 Agent

文章详细介绍了 LangSmith Engine 的技术架构与实现细节。Engine 是一个构建在 LangSmith 平台之上的元 Agent，旨在解决大规模 Agent 部署中的调试难题。它能够自动分析海量 Traces，识别如工具循环调用、参数错误等重复性失败模式，并将其转化为具体的“问题”，进而建议评估器、数据集示例或代码修复方案。

生产级深度 Agent 的运行时解析：LangSmith 的架构实践

文章深入探讨了构建生产级 AI Agent 所需的运行时基础设施。作者区分了围绕模型的“挽具”与底层“运行时”，并详细剖析了运行时的四大核心能力：持久化执行、长期/短期记忆管理、多租户隔离以及人机协同。这些机制解决了 Agent 在长时间运行、状态恢复和数据安全方面的关键挑战。

Agentic 生产级工程实践的 4 个坑

作者基于 Figma 设计稿转代码项目的实战经验，总结了 Agent 开发的四个关键坑点：一是避免让昂贵的大模型做“脏活”，应将固定流程脚本化以节省 Attention；二是 Skill 只是软约束，长上下文会稀释早期指令导致步骤跳过，需拆散流程但会增加上下文传递成本；三是强调可观测性的重要性，缺乏可视化的 Pipeline 盲目跑测试集只会浪费 Token；四是人类不能仅做监督者，需深度思考并跑通流程以引导 AI。

AI 智能体的持续学习：模型、控制层与上下文

文章探讨了 AI 智能体的持续学习机制，将其分为三个层次：模型权重的更新、Harness 控制层的优化以及 Context 上下文层的记忆与配置。作者指出，虽然大多数讨论集中在模型层的微调（如 SFT）及其带来的灾难性遗忘问题上，但工程实践中 Harness 代码和 Context 技能（如 SOUL.md）的迭代往往更为灵活高效。文章最后以 LangSmith 和 Deep Agents 为例，强调了 Trace（追踪日志）在驱动所有层级进化中的核心作用。