// AI на русском
Анализ трассировок помогает понять и улучшить поведение агентов. Платформа LangSmith от LangChain Labs позволяет отлаживать решения агентов и оценивать изменения. В Terminal Bench 2.0 с помощью трассировок удалось повысить эффективность на 13,7 %. Данные станут ключевым фактором развития агентов.
Рост расходов на работу с ИИ-агентами стал проблемой для многих компаний из‑за фрагментации данных: разные инструменты кодирования регистрируют информацию в собственном формате. LangSmith позволяет отслеживать сеансы из разных инструментов в единой модели трассировки, стандартизировать стоимость, оптимизировать и контролировать расходы.
Агенты на базе LLM работают иначе, чем традиционное ПО: они обрабатывают ввод на естественном языке, и их поведение недетерминировано. Для мониторинга таких агентов нужны особые подходы — например, очереди аннотаций для ручной проверки и онлайн-оценки с использованием LLM. LangSmith предлагает инструменты для наблюдения за производственными агентами, включая автоматическое обнаружение закономерностей в их использовании и ошибках.
Rippling за 6 месяцев создала ИИ-систему на базе Deep Agents и LangSmith для работы с массивной онтологией в сфере управления персоналом, ИТ, финансов и других направлений. В основе — мультиагентная архитектура с агентом-супервизором и специализированными агентами (read, RAG, action). LangSmith помогает отслеживать качество системы и устранять регрессии.
Опубликован новый набор данных для извлечения информации из журналов чата — он помогает тестировать LLM на распространённые проблемы при разработке диалоговых приложений. Проведены эксперименты с моделями GPT-4, Claude-2, Llama и Yi: оценивались различные стратегии подсказок и методы структурированного декодирования. Наилучшие результаты по корректности JSON показала модель Llama 70B при использовании декодирования на основе грамматики.
В Deep Agents внедрены динамические субагенты, которые помогают агентам решать масштабные задачи за счёт программной оркестровки: вместо прямых вызовов инструментов агент пишет скрипт для организации работы субагентов. Механизм обеспечивает детерминированный охват и надёжную оркестровку сложных процессов. В материале описаны практические сценарии использования и шаблоны оркестровки.
LangChain представила обновления LangSmith, включая новые шаблоны агентов и интерфейсы для работы с аудио и трассировкой. Запущен курс по развёртыванию LangSmith и учебное пособие по добавлению голоса в LangGraph Agents. Анонсированы мероприятия в разных городах в июне–августе 2026 года.
Оперативное кэширование позволяет существенно снизить стоимость логического вывода. Deep Agents — универсальный инструмент для работы с кэшированием у разных поставщиков моделей. Тестирование показало, что кэширование сокращает стоимость токена на 49–80 %.