人物
别名：@hwchase17
推文发布者，技术社区活跃人物
已跟踪 30 条高相关材料
最近变化
2026-08-11 · Nemotron 3.5 Lightning模型集成Switchyard后，推理成本降低74%
为什么值得关注
Harrison Chase 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
https://t.co/IFXwxW8Oac
Harrison Chase(@hwchase17) · 9.2 分
本文介绍了如何通过Auth Proxy来保护LangSmith代理沙箱的网络访问，确保在大规模部署代理时的安全性。Auth Proxy通过在网络层控制和管理代理与外部服务的交互，实现了凭据的安全管理、网络访问的显式控制以及团队职责的清晰分离。
ai coding is getting expensive use more open models!
Harrison Chase(@hwchase17) · 8.7 分
AI 编码成本正在飙升，使用开源模型可显著降低开支；Kimi K2.6 在 BaseTen 上比 Opus 4.7 便宜约 5 倍，且在多数任务中性能相当，推荐通过 deepagents-cli 测试开源模型。
https://t.co/JdkAzhFLlA
Harrison Chase(@hwchase17) · 8.5 分
企业需定制AI以实现业务价值，而非依赖通用模型。控制AI行为与演进的系统才是核心竞争力。
已收录 30 条与 Harrison Chase 相关的内容，按评分排序。
本文介绍了如何通过Auth Proxy来保护LangSmith代理沙箱的网络访问，确保在大规模部署代理时的安全性。Auth Proxy通过在网络层控制和管理代理与外部服务的交互，实现了凭据的安全管理、网络访问的显式控制以及团队职责的清晰分离。
入选理由：Auth Proxy使API密钥不进入运行时，从而减少因提示注入、恶意依赖、意外日志记录和模型错误导致的损害。
AI 编码成本正在飙升，使用开源模型可显著降低开支；Kimi K2.6 在 BaseTen 上比 Opus 4.7 便宜约 5 倍，且在多数任务中性能相当，推荐通过 deepagents-cli 测试开源模型。
入选理由：Kimi K2.6 在 BaseTen 上价格仅为 Opus 4.7 的 1/5
企业需定制AI以实现业务价值，而非依赖通用模型。控制AI行为与演进的系统才是核心竞争力。
入选理由：垂直领域AI产品需构建围绕模型的系统，而非模型本身
Harrison Chase 推出 Eval Engineering Skill，通过 Harbor 工具自动化构建评估流程，但仍需人工参与。
入选理由：使用 Harbor 工具可自动化生成评估脚本，减少重复劳动
NVIDIA Nemotron 3 Ultra在LangChain Deep Agents Harness上实现行业领先的性能，成本降低10倍，任务完成率提升。
入选理由：Nemotron 3 Ultra任务完成率比封闭模型高10倍，推理成本降低90%
本地优先AI代理通过LangGraph和子代理实现复杂任务编排，提升响应效率。
入选理由：LangGraph用于动态任务流程编排，降低系统耦合度
Deep Agents 框架新增编程调用子代理功能，提供6种实现方式及开源资源。
入选理由：Deep Agents 支持编程调用子代理，提供6种常见实现方式
KV-cache命中率是生产级AI代理最关键的指标，提示缓存可降低41%-80%的推理成本。
入选理由：KV-cache命中率是衡量AI代理性能的核心指标。
SmithDB 是为代理追踪设计的数据库，通过对象存储实现高效全文搜索索引。
入选理由：SmithDB 使用对象存储构建全文搜索索引，降低 GET 请求成本。
LangChain 提供了部署智能代理的完整指南，涵盖前端集成、后端架构和生产级持久化。
入选理由：LangChain 提供了部署智能代理的完整指南。
LangSmith 引入了‘睡眠时间计算’机制，通过后台分析代理轨迹并更新记忆存储，提升智能代理的长期记忆能力。
入选理由：LangSmith 支持通过后台进程分析代理轨迹并更新记忆存储。
通过微调开源模型，可以实现比前沿模型便宜10-100倍的生产代理追踪问题检测，同时保持高精度。
入选理由：微调开源模型可实现比前沿模型便宜10-100倍的生产代理追踪问题检测。
可观测性对于智能代理是必不可少的，需结合 LangGraph 和 LangSmith 工具实现。
入选理由：LangGraph 用于智能代理的编排，LangSmith 用于追踪、评估和回归测试。
Harrison Chase 兴奋地介绍了一个开源的 AI 代理，该代理设计用于支持实际的持续学习。
入选理由：Quarq Agent 是一个开源的 AI 代理，旨在支持持续学习。
本文介绍了 LangChain 的沙盒 Auth Proxy，这是一种控制代理生成行为与外部世界之间边界的工具。通过使用 Auth Proxy，可以安全地管理代理对网络资源的访问，防止未授权的访问和潜在的安全风险。
入选理由：Auth Proxy 是 LangChain 为管理代理行为与外部世界交互而设计的工具。
构建智能代理的最艰难事实是，只有在生产环境中才能真正了解它们的行为。LangChain 的联合创始人 Harrison Chase 强调了在开发和部署智能代理时面临的挑战，包括不可预测的行为、安全性和责任问题。他建议通过在受控环境中进行测试和监控来减轻这些风险，并强调了持续学习和适应的重要性。
入选理由：智能代理的行为在生产环境中才真正显现，因此需要在受控环境下进行测试和监控。
LangChain提出Agent开发生命周期（ADLC），将智能体开发划分为构建、测试、部署、监控四个阶段，强调其与传统软件开发的本质差异在于输入输出空间的无限性和非确定性，成功团队的核心模式是"早发布、快迭代"。
入选理由：Agent输入空间无限（自然语言/多模态），输出因LLM非确定性而难以预测，导致传统软件测试方法失效
Agent observability不仅是调试工具，更需内嵌反馈收集与生成机制，才能构建持续学习的智能体改进闭环，这是提升AI代理性能的关键实践。
入选理由：Agent observability的核心价值在于支持持续学习，而非仅用于事后调试。
Harrison Chase指出切换大模型供应商容易，但切换AI应用层的‘harness’（如LangChain）更难；厂商正通过私有harness锁定用户，亟需开放标准。
入选理由：模型提供商易替换，但harness层迁移成本高、生态碎片化
Nemotron 3.5 Lightning模型集成Switchyard基准后，成本降低74%，准确率仅下降6点，推动代理系统优化。
入选理由：Nemotron 3.5 Lightning模型集成Switchyard后，推理成本降低74%
改进智能体的核心在于大规模数据挖掘与实验，强化学习、Harness Engineering等方法均需依赖数据驱动的优化。
入选理由：智能体改进本质是数据挖掘问题，需通过大规模轨迹数据进行实验
验证器对强化学习至关重要，但成本高昂。通过团队协作和优化方法，验证器成本有望大幅降低。
入选理由：验证器在评估和强化学习中至关重要，但其成本随规模增加而显著上升。
Harrison Chase 推荐使用 LangChain 的 LangSmith Fleet 工具，通过自然语言构建无代码代理，助力开发者快速实现真实业务场景的自动化，免费课程可立即学习。
入选理由：使用 LangSmith Fleet 可通过自然语言创建无代码代理，降低开发门槛。
Harrison Chase 与 AWS 合作发布深度代理评估指南，利用 LangSmith 工具设计数据点与评估器，提升长周期智能体的可测性与可靠性，适用于构建复杂 AI 系统。
入选理由：使用 LangSmith 设计结构化数据点，支持长周期代理行为追踪与调试。
LangSmith Engine 目前仅支持 LangSmith 的追踪数据，但接入非常简单，支持 OTEL 和 30+ 框架。
入选理由：LangSmith 接入支持 OTEL 协议和 30+ 框架
Harrison Chase 强调代理系统的持续改进依赖于可观测性与反馈的结合，仅监控日志不足，必须主动收集直接、间接和生成式反馈以驱动学习闭环。
入选理由：代理系统的改进不能只靠可观测性，必须整合多源反馈机制。
LangChain 提出将用户反馈与代理追踪绑定，使可观测性从调试工具升级为持续学习系统，推动智能代理的闭环优化。
入选理由：将用户反馈嵌入代理追踪，可将静态日志转化为动态学习系统。
Harrison Chase highlights a key AI trend: LLMs now mature enough to power autonomous web-browsing agents, citing DeepAgents + BrowserBase as an early working example.
入选理由：大模型能力已突破临界点，可支撑具备真实网页交互能力的自主智能体
为智能体添加记忆功能可通过三个步骤实现，包括运行智能体、分析其行为轨迹、更新记忆。
入选理由：智能体记忆的构建分为三个步骤：运行智能体、分析轨迹、更新记忆。
Leve 是一个基于 LangGraph 的文件系统优先的持久化代理框架，通过目录结构定义代理并编译运行。
入选理由：Leve 使用文件系统定义代理，将目录编译为可运行的代理。
