Langchain创始人最新分享：如何跨越“原型惊艳”到“生产可靠”的鸿沟

近日，在LangChain的Interrupt大会上，创始人Harrison Chase发表了纲领性主题演讲，直击AI行业核心痛点：如何跨越“原型惊艳”到“生产可靠”的鸿沟。

Chase坦言，AI行业普遍面临的痛点在于“原型易，生产难”。尽管大模型的出现极大地降低了构建炫酷原型的门槛，但将其转化为能够在真实商业环境中稳定运行、持续创造价值的可靠应用，则是一项艰巨的挑战。这正是驱动LangChain从开源社区发展为一家公司的根本原因。

优秀Agent工程师必须的四大素质

LangChain认为，成功的智能体构建，呼唤具备综合能力的“智能体工程师”，他们需要掌握：

1. 精湛的提示工程 (Prompting) ：与LLM进行高效、精确沟通的基础。
2. 坚实的工程能力 (Engineering) ：涵盖工具集成、复杂数据流构建（为LLM提供关键上下文）、以及稳健的部署策略。
3. 敏锐的产品思维 (Product Sense) ：深刻理解业务流程，并能通过智能体进行有效的复制和优化。
4. 核心的机器学习知识 (Machine Learning) ：特别是在智能体评估（Evals）以量化性能、捕捉非确定性，以及模型微调等方面。

智能体开发三大关键

基于丰富的实践经验，Chase分享了LangChain对当前智能体发展的三大核心洞察：

1. 模型可选性至关重要 ：智能体并非单一模型的产物。面对功能、成本、速度各异的众多模型，开发者亟需灵活选择。LangChain已成为模型集成的枢纽，为开发者提供了这种关键的“模型可选性”。

2. 上下文工程决定可靠性 ：传递给LLM的提示（上下文）的质量和结构，直接决定了智能体的行为和输出的可靠性。为此，LangChain推出LangGraph （已发布一年多），一个低级别、无预设（no hidden prompts/cognitive architectures）的编排框架，赋予开发者对智能体认知架构和上下文构建流程的极致控制力。

3. 智能体构建是多学科团队协作 ：鉴于技能需求的广泛性，智能体开发已演变为一项团队运动。LangSmith 应运而生，它不仅仅是一个可观测性平台，更是集成了强大的评估 (Eval) 功能 和提示中心 (Prompt Hub) 的协作中枢，为工程师、产品经理、机器学习专家等不同角色提供共享的洞察与协作环境。

LangChain的战略预判与产品布局

Chase强调，智能体不仅已经到来，并且在2024年开始显现出强劲的增长势头和商业价值，LangSmith追踪到的Trace数量激增便是明证。展望未来，LangChain基于以下三大预判，推出了一系列革新产品：

1. AI可观测性：超越传统，专为智能体而生

• 挑战 ：智能体交互涉及大规模、非结构化、甚至多模态的数据，其可观测性需求远超传统应用，且服务于具备ML、产品和提示工程背景的“智能体工程师”这一新用户画像。
• LangSmith新动向 ：发布针对智能体的全新可观测性指标 ，包括对智能体所用工具的运行计数、延迟、错误分析 ，以及对智能体行为轨迹（paths）的可观测性 ，深入洞察智能体决策路径。

• 赋能全民：让人人都能成为智能体构建者

• 目标 ：降低智能体开发门槛，使不同背景的人都能参与构建。

• LangGraph Prebuilt ：为不熟悉AI的开发者提供常见的、经过验证的智能体架构预设（如单一智能体、智能体群、监督型智能体），加速上手。
• LangGraph Studio V2 ：重大升级，告别桌面应用（非Mac用户福音）转为Web应用 ，提供更强大的调试能力。用户可直接在Studio中查看LLM调用、构建评估数据集、修改提示 ，最激动人心的是能够从LangSmith拉取生产环境的Trace到本地进行调试和热重载 ，高效解决线上问题。

• Open Agent Platform (开源) ：发布无代码/低代码智能体构建平台 ，基于LangGraph Platform。它内置智能体模板、使用MCP的工具服务、开箱即用的RAG即服务以及智能体注册中心 ，旨在让更广泛的非开发者用户也能轻松创建和管理智能体。

• 攻克部署新高地：智能体上线的“最后一公里”

• 挑战 ：智能体应用往往具有长时运行 （数分钟甚至数小时）、高并发突发性 （如批量后台任务）以及状态化 （支持人机协作与复杂错误处理）的特性，传统部署方式难以应对。
• LangGraph Platform 正式版 (GA) ：经过约一年的Beta测试后正式发布。提供超过30种API端点 （全面支持流式处理、人机协作、记忆管理等），具备水平扩展能力 以应对突发流量，专为长时运行工作负载设计 ，并能将部署的智能体作为MCP服务 暴露。平台还包含一个控制平面 ，用于组织内智能体的发现、共享与模板化复用，并提供云SaaS、混合云及完全自托管 等多种灵活的部署选项。

小结

虽然，很多人吐槽langchain的设计及实现，但不可否认langchain走在大模型应用开发的最前沿，很多工具及最佳实践都是在学习和研究它进而发展的。作为最初的业余项目，走到现在已经是非常令人倾佩的成就。Harrison Chase指出LangChain的使命是致力于为全球的“智能体工程师”提供从构思、开发、协作、评估到部署的全生命周期支持。通过工具赋能，让智能体无处不在。

学习langchain的设计思想和脉络原理，推荐笔者出版的书籍：

公众号回复“进群”入群讨论