// AI на русском
Wiki memory — это подход к организации памяти AI-агентов, при котором агент преобразует сырые данные в структурированную базу знаний. В отличие от RAG, здесь предварительно создаётся обобщённая версия данных. Примеры решений — DeepWiki, LLM Wiki и AutoWiki. Подход оптимален для долговременного хранения предметных знаний.
OpenAI провела эксперименты с технологиями RAG, выявив, что для разных задач нужны разные методы поиска информации. В работе использовались различные подходы: от модификации запросов до маршрутизации между хранилищами данных. Результаты можно воспроизвести, но важно тщательно оценивать эффективность применяемых методов.
Команда LangChain перестроила чат‑бот, создав внутренние агенты для ответов на вопросы о продукте и демонстрации создания надёжных агентов. Для простых вопросов используют Create Agent, для сложных — Deep Agent со специализированными подграфами. Время ответа в публичном Chat LangChain сократилось до менее чем 15 секунд, появились точные цитаты и ссылки на документацию.
Ускорение AI-агента требует выявления узких мест и применения различных техник — от изменения UX до оптимизации запросов к LLM. Среди методов — потоковая передача результатов, запуск агентов в фоновом режиме, сокращение числа вызовов LLM, использование быстрых моделей и параллельные запросы. LangGraph помогает оптимизировать взаимодействие агентов и снизить затраты.
LangChain представила в публичной бета‑версии Managed Deep Agents и LLM Gateway, обновила LangSmith и анонсировала ряд мероприятий. Компании уже используют решения LangChain для повышения продуктивности и оптимизации процессов — например, Stripe и Apollo. Хэррисон подчёркивает важность владения собственным «интеллектом» для компаний, использующих ИИ.
LangChain организует конференцию Interrupt, чтобы обсудить будущее AI-агентов. Мероприятие пройдёт 13–14 мая в Сан-Франциско. В программе — воркшопы, доклады, демонстрации и нетворкинг. Участники смогут узнать о практическом применении AI-агентов и пообщаться с экспертами отрасли.
RubricMiddleware позволяет агентам самостоятельно оценивать и исправлять свою работу. Механизм задаёт критерии завершённости задачи, и агент повторяет попытки, пока не выполнит их или не достигнет лимита итераций. Это особенно полезно для задач с чёткими критериями успеха — например, прохождения тестов или включения всех разделов в отчёт.
В LangChain появились структурированные инструменты (Structured Tool), которые расширяют возможности агентов. Они позволяют взаимодействовать с функциями, устраняя прежние ограничения на ввод данных. Выпущены новые инструменты для работы с файловой системой и браузером, а также добавлен StructuredChatAgent. Для запуска агентов используется специальный код.
Timescale Vector в интеграции с LangChain позволяет использовать PostgreSQL как векторную базу данных для ИИ-приложений. Решение ускоряет поиск векторных данных и оптимизирует фильтрацию по времени. Пользователи LangChain могут бесплатно протестировать Timescale Vector в течение 90 дней.
Klarna внедрила AI-ассистента для поддержки клиентов, используя инструменты LangGraph и LangSmith. Ассистент сократил время решения запросов на 80 % и автоматизировал около 70 % повторяющихся задач поддержки. Решение помогает компании эффективно справляться с эскалациями и повышать качество обслуживания 85 млн пользователей.
LangChain привлёк $10 млн в посевном раунде финансирования. Фреймворк для разработки приложений на базе языковых моделей активно развивается благодаря сообществу. В планах — расширение функциональности и улучшение поддержки разработчиков.
.png)
EU AI Act устанавливает требования к системам ИИ с высоким риском, которые должны быть выполнены к 2 августа 2026 года. LangSmith и LangChain OSS предоставляют инструменты для соблюдения этих требований — от трассировки действий ИИ и хранения данных до оценки качества и обеспечения контроля со стороны человека.
LangChain представила агентов Plan-and-Execute, которые планируют шаги и затем их выполняют — в отличие от прежних Action Agents. Такой подход позволяет разделить задачи планирования и исполнения между разными моделями, но требует больше обращений к ним. В будущем планируется улучшить поддержку длинных последовательностей шагов и добавить механизм пересмотра планов.
Разработаны два подхода к реализации multi-modal RAG для презентаций со слайдами. Оценка показала, что мультимодальные подходы (60 % и 90 %) существенно превосходят RAG с использованием только текста (20 %). Выявлены плюсы и минусы каждого метода, а также выпущен шаблон для быстрого развёртывания приложений.
Toyota внедряет решения на основе Deep Agents и LangSmith для масштабирования корпоративного ИИ. Платформа ToyotaGPT с библиотекой агентов ускоряет разработку и применение ИИ-решений в разных сферах деятельности компании. Приложения вроде GearPal и R&D GPT оптимизируют производство и исследования, сокращая временные затраты.
Оценка голосовых агентов проводится по трём измерениям: Execution, Outcome и Experience. LangSmith позволяет отслеживать взаимодействие, оценивать его с участием нескольких оценщиков и сравнивать изменения со временем. Для оценки используются детерминированные оценщики, LLM-судьи, audio-aware LLM-судьи и бизнес-проверки. Важны как технические метрики (задержка, время обработки), так и бизнес-результаты (процент успешных бронирований, решений проблем и т. д.).
Stripe создала платформу Kai — агента для повышения продуктивности сотрудников. Платформа построена на стеке LangChain/LangGraph и агентной платформе Deep Agents. За четыре недели число пользователей Kai выросло более чем в 16 раз, а сегодня 83 % сотрудников Stripe используют его каждую неделю. Платформа полезна для анализа данных, подготовки сделок и адаптации новых сотрудников.
Собственное владение интеллектом позволяет компаниям контролировать модели, системы агентов и контекст, управлять стоимостью, качеством, рисками и поведением ИИ. В ближайшие пять лет ИИ будет использоваться либо для критически важных бизнес‑задач, либо как часть продукта. Ключевое преимущество — цикл обратной связи, благодаря которому система совершенствуется по мере использования.
LangChain и NVIDIA представили программу NemoClaw for Deep Agents blueprint для создания открытых агентных систем. Модель Nemotron 3 Ultra в связке с LangChain Deep Agents демонстрирует высокую производительность при низких затратах на логический вывод. Решение даёт командам контроль над полным стеком агентов и возможность оптимизировать их под конкретные задачи.
Schneider Electric внедряет программу ИИ с использованием более 60 агентов для оптимизации энергопотребления и повышения производительности. Компания построила платформу LLMOps на базе LangSmith и экосистемы LangChain. Решения позволяют отслеживать и оценивать агентные продукты, обеспечивая их готовность к производству.