人物
别名：hwchase17
分享关于 LangSmith Engine 演讲的人。
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
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。
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
LangSmith Engine 自动化了改进代理的过程，比预期更受欢迎。
入选理由：LangSmith Engine 自动化了代理改进过程。
Managed deep agents简化了长期时域代理的构建和部署，适用于支持、研究、编码和数据分析等任务。
入选理由：Managed deep agents简化长期时域代理的构建和部署。
LangSmith Engine 是一个基于调用链的自动化代理，能自动发现问题并建议代码修改或添加评估器。
入选理由：LangSmith Engine 可在后台运行并自动分析 LangChain 应用的 traces。
Harrison Chase 与用户讨论大模型推理成本飙升，讽刺‘智能廉价到无需计量’的预言落空，呼吁重视开源模型以降低依赖与开支。
入选理由：大模型推理成本持续上升，企业面临显著经济压力。
Harrison Chase指出AI代理系统普遍存在追踪数据泛滥但缺乏有效反馈闭环的问题，团队常忽视记录具体错误原因，导致调试与迭代困难。
入选理由：AI代理系统中日志追踪普遍但反馈闭环缺失，影响问题定位与模型迭代。
该 YouTube Shorts 视频摘要指出：本地沙箱在 AI 代理开发中易暴露 API 密钥，代理请求常被平台拦截，当前工具链不支持安全可靠的生产级沙箱策略。
入选理由：本地沙箱无法防御恶意 prompt 泄露环境变量中的 API 密钥
Harrison Chase 宣布 DeepAgents deploy 是一种基于 deepagents.toml 配置文件的轻量云部署方案，含 agent/sandbox/auth/frontend 四模块。
入选理由：DeepAgents deploy 采用声明式配置驱动，核心为 deepagents.toml 文件。
Harrison Chase强调构建AI智能体时前端UI/UX工作量被低估，尤其流式响应、对话历史、API端点对接耗时；其团队提供开箱即用的前端解决方案。
入选理由：UI/UX在智能体开发中占比远超预期，非次要任务
DeepAgents 0.6版本发布，重点优化模型层、代理层、规模化及长期运行性能，新增代码解释器等五项功能。由Sydney Runkle撰写发布说明，获LangChain创始人Harrison Chase转发推荐。
入选理由：DeepAgents 0.6版本聚焦性能优化，覆盖模型层、代理层、规模化场景和长期运行四个维度
Jake Broekhuizen 将参与持续学习领域工作，有兴趣者可联系他。
入选理由：Jake Broekhuizen 正在推进持续学习领域的合作。
Harrison Chase 在 X 上分享 DeepAgents 部署的初步方向，邀请社区反馈功能缺失，内容较简略。
入选理由：DeepAgents 的部署尚处于早期探索阶段，方向性明确但功能不完整。
Harrison Chase 将在纽约参与一场关于智能体技术的公开对话，活动信息推广价值有限。
入选理由：活动将在约一周后于纽约举行
Harrison Chase 发起投票询问用户更偏好 SmithDB 还是 LangSmith Engine 的发布，两者分别为专为智能体追踪数据设计的数据库和基于追踪数据优化智能体的代理工具。
入选理由：SmithDB 是专为存储和管理智能体（agent）追踪数据构建的数据库。
Harrison Chase转发Harvey团队发布的法律领域长周期代理基准测试，呼吁加强AI代理的评估体系建设。
入选理由：AI代理在法律领域的应用需要专门的长周期任务基准测试。
NVIDIA AI在X平台发布一则简短访谈预告，提及LangChain三年内从周末项目发展至超10亿次下载，并提出‘企业需要claw策略’的概念，但未展开具体内容。
入选理由：LangChain在三年内实现超10亿次下载，成长迅速。
该推文仅含标题式短语'Open source models 👀'及一条他人转引的碎片化体验（qwen3.6+subagents），无技术细节、论证或上下文，信息密度极低。
入选理由：未提供任何可验证的技术主张或实证结论
这是一条 Twitter 短消息，推广 LangChain 生态中的 DeepAgents 部署功能，含文档链接和更新频率声明，无技术细节或实质性内容。
入选理由：仅提供 DeepAgents 部署文档链接，无架构、原理或用例说明。
该页面仅为 YouTube 视频预告页，无实际技术内容，仅显示 LangChain 将于 2026 年 5 月 13 日举办 Interrupt 2026 主题演讲，目前无讲稿、摘要或实质性信息。
入选理由：视频尚未发布，当前无任何技术内容可分析
该内容仅为一条社交媒体推文，预告了关于 LangSmith Engine 构建的深度文章，但未提供任何技术细节、机制或原理，信息密度极低。
入选理由：LangChain 公司创始人 Harrison Chase 预告了一篇技术文章。
![[frontend]
UI/UX is a surprisingly big part of building agents!
It takes a while to hook up stream...](https://pbs.twimg.com/media/HHKPeL-aIAAbHaA.jpg)
