Interrupt 2025 圆满落幕！今年，来自全球各地的 800 名与会者齐聚旧金山，参加 LangChain 的首届行业大会，聆听关于构建 Agent 的团队故事——我们仍然沉浸在激动之中！Cisco、Uber、Replit、LinkedIn、Blackrock、JPMorgan、Harvey 等公司分享了他们在架构、评估、可观测性和提示策略方面的经验，包括挑战和成功。
这次大会让我们最大的感受是：Agent 已经到来，我们对这个行业的未来从未如此看好。如果您未能亲临现场，我们将在未来几周内分享内容，包括所有演讲的录像。在此注册，即可在内容发布后第一时间获取！
请继续阅读，了解大会的主要主题和产品发布！
如果您错过了 ✨
主题演讲
Harrison 的开幕主题演讲强调了几个关键信念
- Agent 工程是一门新的学科——借鉴软件工程、提示工程、产品管理和机器学习的最佳实践，我们相信您需要进行编码，为正确的上下文优化提示，理解业务流程以将其转化为 Agent，并像在机器学习中一样理解概率和分布。精通所有这四个领域是一项艰巨的任务，为了实现我们让 Agent 无处不在的使命，我们希望让每个人都成为 100 倍的 Agent 工程师——无论您最初的优势在哪里。
- LLM 应用将依赖于多种不同的模型。 LangChain 目前的软件包主要为公司提供模型选择的便利。LangChain 已经发布了 3 个稳定版本，我们正专注于集成在深度和广度上。开发者希望 LangChain 提供选择和灵活性，因此 LangChain 上个月的下载量已超过 7000 万次——甚至超过了 OpenAI SDK 🤯。
- LangGraph 是构建可靠 Agent 的方式。 构建 Agent 最困难的部分之一是如何将正确的上下文传递给 LLM。LangGraph，我们的 Agent 编排框架，让您可以完全掌控认知架构，从而控制工作流程和信息流。这种低级别的控制使 LangGraph 成为一个独特的 Agent 编排框架。
- AI 可观测性不同。 对于 GenAI 应用，您将处理大量非结构化信息——通常是文本、音频或图像。Agent 工程师需要了解应用程序的运行情况，他们与传统可观测性工具所服务的 SRE 是完全不同的用户，需求也不同。如果 LangSmith 的聚合追踪量反映了行业趋势，那么越来越多的 Agent 将投入生产——这使得 AI 可观测性栈的需求比以往任何时候都更加关键。
发布！
我们在 LangChain 热衷于发布新产品，并宣布了大量新内容。
- LangGraph Platform 已全面上市。 LangGraph Platform 是一个用于长期运行、有状态 Agent 的部署和管理平台，您可以立即一键部署您的 Agent——支持云、混合和完全自托管部署。有关更多信息，请参阅文档，或观看我们的4 分钟演示。
- Open Agent Platform – 一个开源、无需编码的 Agent 构建器。 现在，即使您不是开发人员，也可以构建 Agent——通过 UI 选择 MCP 工具、自定义提示、选择模型、连接到数据源和其他 Agent。由 LangGraph Platform 提供支持。在此注册，或通过查阅文档构建您自己的 Agent。
- LangGraph Studio v2。 LangGraph Studio 现在可以在本地运行，无需桌面应用程序。它是一个 Agent IDE，可让您可视化和调试 Agent 交互。在 v2 中，我们为您提供了将追踪数据拉入 Studio 进行调查、向数据集添加示例以供评估以及直接在 UI 中更新提示的功能。
- LangGraph Pre-Builts 降低了构建 Agent 的门槛。 我们在构建 Agent 时反复看到一些常见的架构——Swarm、Supervisor、tool-calling agent——因此，我们希望降低在您的应用程序中实现这些架构的负担。 LangGraph pre-builts 让您能够以更少的配置代码来利用通用架构。
- LangSmith 可观测性现已包含 Agent 特定指标。 我们增加了对工具调用和轨迹跟踪的支持，以便您可以看到 Agent 常用的路径，并发现昂贵、缓慢或有问题的调用。
- Open Evals 和 Chat Simulations。 编写评估器是一项繁琐的工作。虽然有些评估器非常针对特定的应用程序/用例，但有些则不是——这是个好消息，因为我们可以为您编写这些评估器。我们现在有一个开源的评估器目录，可用于代码、提取、RAG、Agent 轨迹测试等。我们还很高兴发布用于多轮对话的聊天模拟和评估。在此查看。
- LLM-as-Judge：对齐和校准（私有预览版）。 LLM-as-judge 是一种在需要更多判断或判断力的场景下评估性能的出色技术。然而，即使是法官也可能出错。我们很高兴在私有预览版中推出一种方法，通过人类反馈分数来引导 LLM-as-a-judge 评估器，并不断校准和审计分数，以确保法官的性能良好。如果您有兴趣，请在此注册以获取访问权限！
我们非常激动能与大家一起建设，并致力于将此打造成一项年度盛会。我们将在社区Slack、我们的线下聚会中见到大家，并且**明年在 Interrupt: The AI Agent Conference by LangChain 再见。**
