LangSmith 推出 AI Search，用自然语言按行为检索 agent…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
本条选题由第三方线索发现；线索方提供的摘要未被采用，本页内容依据下方信源整理。线索来源：AIHOT
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载按行为而非字段检索
LangSmith 新增的 AI Search 把查询方式从字段匹配改成行为描述。用户用日常语言写出想找的情形，系统返回确实发生过该情形的轨迹。材料给出的例子是“用户是否变得沮丧”和“是否泄露了 PII”。这类问题无法干净地映射到标签或元数据等单一 trace 属性上，全文检索同样答不了，因为它们要求理解轨迹内容本身。在此之前，团队要么提前配置一个评估器，要么人工逐条翻看轨迹。AI Search 让这类查找可以临时发起，用于在大量轨迹中找针尖式样本，或排查有问题的模式。
轨迹归一化与快速决策模型
实现上，LangSmith 借助 trajectories 对 trace 做归一化，以此压缩上下文规模，再让一个快速决策模型读取轨迹，返回命中的那些。材料强调 agent 轨迹体量大、多模态且信息密集，包含用户输入、agent 如何回应以及逻辑失败等关键细节，这使它们对理解用户行为和改善 agent 表现有独特价值。但传统数据平台并非为这种大规模非结构化载荷而建。要让轨迹数据可用，团队需要能覆盖完整生命周期的基础设施：摄入并存储高吞吐的 run、灵活查询轨迹，并把它们转成用于调试、产品分析和标注等运营流程的视图。
建立在 SmithDB 与 Custo…
AI Search 并非孤立功能，它接在 LangSmith 已有的两项能力之后。其一是 SmithDB，材料称这是为 LangSmith 中 trace 数据专门打造的数据库；其二是较近推出的 Custom Apps，让团队在轨迹之上创建定制视图。AI Search 补上的是查询入口这一环，使自然语言成为访问轨迹内容的方式。可搜索的范围是轨迹内容中出现的任何东西，材料列举的场景包括 agent 声称完成任务但实际没有完成。对使用 LangSmith 的团队来说，这影响的是从轨迹中挖掘评测数据集样本、为标注队列挑选对话等日常动作的效率。
为什么值得看
agent 轨迹检索从关键词转向按行为语义查找，直接影响调试、评测集挖掘与标注流程。
信源1 家
关键事实
相关 · 产品
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。