LangChain 推出 SmithDB 与 Engine，打造 Agent 自改进闭环

LangChain 在 5 月 14 日发布了该周期内最重要的 Agent 基础设施更新集群。核心产品有两项：SmithDB 和 LangSmith Engine，目的是将 Agent 可观测性从被动监控转变为主动改进循环。

@hwchase17（LangChain CEO Harrison Chase）用一条推文概括了发布：

你们最喜欢哪项发布？SmithDB（专为 Agent trace 数据构建的数据库）还是 LangSmith Engine（基于 trace 数据改进你 Agent 的 Agent）？

在内部投票中，LangSmith Engine 以 70% 的得票率胜出，显示出社区对"Agent 改进 Agent"这一概念的强烈兴趣。

@caspar_br 详细解释了 Engine 的工作原理：它消费 trace 数据，聚类失败模式，识别可能的代码问题，并自动提出修复方案和评估标准——将 trace 转化为可操作的改进信号。@bentannyhill 也做了进一步阐述。

在架构层面，@caspar_br 指出 SmithDB 的架构转向了对象存储和针对 trace 数据工作负载定制的存储/查询路径，这与传统 OLTP/OLAP 数据库有明显差异。@ngates_ 也参与了讨论，而 @0xLogicrw 则提供了中文总结。

同一天，LangChain 还宣布了 LangChain Labs，一项围绕 Agent 持续学习的应用研究计划。核心理念是：生产环境中的 Agent traces 应该成为训练信号、评估标准和长期能力改进的来源。@jakebroekhuizen 和 @willccbb 分别分享了看法，而 Prime Intellect 也宣布了与 LangChain Labs 的合作。

与此同时，执行隔离基础设施也在演进。W&B/CoreWeave 推出了 CoreWeave Sandboxes，用于 RL、工具使用和评估工作负载中的隔离执行，包括大规模测试 rm -rf / 等破坏性命令。开源方面，@benhylak 展示了一个免费的本地 Agent 调试栈，将 traces 暴露给 Codex/Claude Code 以自动生成评估。

🛠️ 工具/产品

本作品采用《CC 协议》，转载必须注明作者和本文链接