LangChain 讲解评估驱动开发如何改进 AI Agent

英国数字健康公司 Numan 复盘其 AI 健康教练 Nu 的评测体系建设，核心结论是稀缺资产不是提示词而是评测标准。单轮静态数据集和脚本化多轮对话都难以覆盖真实会话，Nu 改为按类别打分的主题数据集、以更廉价模型扮演患者的模拟对话层，并让安全回归自动阻断发布。

LangChain 发布博客，介绍其开源 Agent 框架 Deep Agents 如何用 middleware 做上下文工程，应对长任务中的 context rot。

LangChain 发布示例项目 Restock，一个在 Slack 上通过 Managed Deep Agents 运行的办公用品购买智能体，演示智能体如何安全完成支付。

LangChain 在其开源编码 Agent Open SWE 中构建模型路由器，在 973 个线程的 A/B 测试中，中位成本从 $2.61 降到 $0.94（降 64%），PR 合并率 29.2% 对 27.3%，质量无可测变化。

LangChain 发布教程，讲解如何结合 TypeSafe 新发布的决策模型 Jev 与 LangGraph 构建“prod, not god”的生产系统。

LangChain 发布长文，复盘自建付费媒体 Agent 的构建过程并已开源。该 Agent 运行在 Slack 中，半年内将付费渠道贡献从 0 提升至营销管线的 20%，合格线索成本（CPL）从 6 月到 8 月下降 30%。

LangChain 发布实践指南，介绍其构建合成 agent 环境与评测任务的两步流水线：第一步用 traces、代码和人工输入生成任务 spec，第二步将 spec 转成 Harbor 格式的任务与环境。过程依赖记录项目通用知识的 world spec，配套更新了 eval-engineering 技能供团队自助使用；文中也指出 spec 打磨和任务难度校准仍需人工介入。

LangChain 发布 cookbook，展示用 Perplexity Agent API、LangGraph 和 LangSmith 构建一个约 90 秒、约 $0.40 API 成本生成投资备忘录初稿的研究 Agent，每个论断可溯源到一手来源。

Lyft 的 SCX 数据科学与 MLE 团队基于 LangGraph 的 router 多智能体架构和 LangSmith 的追踪监控，搭建了让非技术领域专家独立开发 AI 客服智能体的自助平台。

LangChain 团队介绍其基于 Deep Agents 构建的 GTM Agent，端到端自动化销售外联流程，从 2025 年 12 月到 2026 年 3 月 lead 转合格商机的转化率提升 250%，同期 pipeline 金额达 3 倍，每位销售每月节省 40 小时。