凡人小北

LangChain Interrupt 2025 开幕演讲终于放出来了，强烈建议所有做 AI 工程的开发者、产品、创业者都看一遍。

全是干货！！！

全程不讲估值，不吹爆炒作，不show 模型，
完整的一个 Agent 工程路线图：
Agent到底怎么构建、怎么部署、怎么协作、怎么跑进业务系统。

过去这段时间，
我们被红杉讲下注逻辑、被 Google 秀平台野心，
搞得要么焦虑、要么兴奋，全在仰望星空。
那不如脚踏实地，看看技术人该怎么跟上 AI 时代。

下面的总结也结合了我在实际项目中的经验思考，欢迎围观：

1/ LangChain 的起点和使命

Langchain 两年前只是业余开源项目， 一个月后 ChatGPT才 发布，引爆了所有人想把 LLM 真正用于业务的想象。

最初的角色就是帮助开发者快速做出惊艳的原型。但很快发现，从原型走向生产落地，真的很难。这个差距，也让LangChain决定从开源项目转型成公司：做成一套系统性的工具，帮助大家真正落地 AI 智能体

---
很多人把 LangChain 看成工具集，其实它更像是一种认知工程范式的布道者。它解决的不是怎么接 API，而是如何让语言模型拥有可托付的系统行为。
回看我们2023年4月份开始搞 AI，在艰难前行一个月后把未来的框架确定成langchain，才发现站在了巨人肩膀上，LLM 交互原来没那么难，稳定、可控、可演进这些事儿，LangChain 全班我们干了。
庆幸当初的决策，这两年落地了很多有直接受益的AI项目。

2/ 什么是 Agent Engineer？智能体构建的四力融合

LangChain 定义了一种新的角色：Agent Engineer（智能体工程师）

总结了一下，涉及到下面 4 类关键能力：
1. Prompt 工程：和 LLM 交互的基础，构建智能体行为的关键。
2. 工程能力：把智能体做得可靠、部署上线，需要非常扎实的工程实践。
3. 产品直觉：要模仿人类工作流，需要产品 sense （这一点很重要，工程师缺的就是这点）来理解真实需求。
4. 机器学习：特别是 Eval 能力（这一点很重要），用数据度量非确定性的输出。

---
现在很多早期的开发者，已经有不少人具备了这样的能力，
这种角色很难有一个清晰的定义？智能体构建师？跨语义边界构建者？
他既能建数据流，也能设计对话策略，还能理解人-机协作本质。
这种能力要求已经不是传统意义上的 PM、Dev 或 MLE，而是新范式下的 AI 编排师。对一个人的综合能力要求非常之高。
我们自己团队也在两年的时间里一直不停的锤炼自己，把产品、技术、算法（推荐、nlp、图像）、数据揉到一块打磨，让每个人都有自己的深度，也同时具备其他人的广度，这样才能在正确的方向上跑得更快，跑得更远。都叫

内部也在设计自己垂直场景的 AI OS 系统，探索把业务、运营多角色，利用这套系统把认知外包、任务转化、上下文感知编织成一套可控流程。

3/ LangChain 对“现在”的三个判断

3.1 多模型组合是趋势，智能体将使用多个模型
LangChain 月下载量 7000 万，已超过 OpenAI 官方 SDK，核心原因是开发者更需要模型切换自由。
已经出现太多的模型，每个都有自己的优势，有的便宜，有的强推理、有的适合写作、有的响应快。未来的智能体会像微服务一样，根据任务调用不同模型组合。

---
这不只是工具便利，而是一种系统层的去中心化趋势。每个模型都有短板，真正稳定的智能体必然是多模型协同、动态路由决策。
模型即微服务 这个概念越来越成型了。
从最初用开始AI化，Langchain就扮演了我们模型接入层的角色， 意图识别走什么模型、信息总结提取走什么模型，都要做好选型，这就要求工程师对模型选择有很高的认知。当然，选模型也是Prompt工程的一部分，很重要的部分。
未来 Agent 会像流水线一样，提问走 GPT-4、查资料走 Claude、压成本走 DeepSeek，每个节点选最优模型。
这时候，LangChain 就是把这些拼起来的胶水。

经验就是，一个大的工程里，一定是多模型协作的，不只是Agent、Agentic Workflow或者是小的文章生成的应用。
从产品视角出发，模型多配，才是合格 AI 工程基建。

3/ LangChain 对“现在”的三个判断

3.2 可靠的智能体必须从上下文工程开始

Prompt 是由多个部分组成的，包括系统提示、用户输入、工具调用、历史对话、检索结果等。

为了提供对上下文的完全掌控， LangGraph 出生：
- 极简、无隐藏逻辑
- 可以自定义完整的推理流程
- 提供 streaming、内存、人类协同等底层能力
复杂的智能体建议都基于 LangGraph 构建。

---
这点我相信大家认知是一致的：
Prompt ≠ 一段字符串，
而是一套系统结构，包含系统提示、工具输出、历史对话、检索补充等多源组成。
这些才构成了 Agent 的灵魂，而不是 LLM 本体。

我们在多个智能体项目中已经感受到这个痛点：你不给上下文设计流程，模型再强也回不好。LangGraph 的设计就是一种声明式流程编排语言，甚至可以理解为认知工作流的 DSL。

实践经验是绝大部分的智能体都能用Prompt + 一堆Tools/MCP 快速构建，你不需要太多的工程开发。社区里的一些项目也验证了我这个观点，感兴趣的可以关注Langchain，经常翻一翻他新推荐的项目，每一个都是教科书里的例子。

所以，LangGraph 也是目前为止，我看到的最贴近真实 Agent 编排需求的框架。是真正做复杂智能体时最需要的，灵活，而不是神秘。

如果有自己做Agent的需求，这是个不错的技术选型。

3/ LangChain 对“现在”的三个判断  

3.3 智能体构建是一个团队运动

不是所有人都能兼备 Prompt、工程、产品和 ML 能力，
LangSmith 就是为这个目的诞生的：
- 提供可视化调试（trace、输入输出、工具调用路径）
- 支持离线和在线评估（eval）
- 提供 Prompt playground & hub
- 打造一个跨职能协作的智能体平台

---
这部分太重要了。也是我一直在推文里说的：
Agent 的真正演进不是更像人，而是像团队。

AI 项目进入第二阶段了，不是一个人做个 demo，而是像做 SaaS 产品一样建流程、看数据、搞运维、测质量。LangSmith 就是 DevOps + PM 工具 + prompt IDE 三合一的 AI 工程平台。
AI 的Agent DevOps 平台。

我们没有在内部使用LangSmith，推荐一个开源的替代方案——Langfuse。

4/ LangChain 对未来的三点预测

4.1 AI 可观测性 ≠ 传统可观测性

传统 observability 工具服务的是 SRE，记录结构化数据。而 AI 智能体产生的是非结构化、多模态的数据，
用户角色也变了。

LangSmith 中推出了这几个功能：
- 工具使用情况追踪（调用次数、耗时、报错率）
- 智能体路径分析（trajectory observability）

---
Eval 只是起点，更重要的是观测出 agent 的意图和行为链条”。
传统 observability 是看机器行为，AI observability 是看语言行为，这根本是两个物种。Agent 面对的 trace 更复杂、更模糊、更长。

AI-first 系统的可观测，都不是靠 log 查错，而是靠行为轨迹 + prompt 树复盘认知路径。
需要把历史对话拉出来整理，模型的思考和工具的调用链路图形化了在观察、跟进、排查。
这些我们过去都是靠人整理。

现在 LangSmith 在这个方向上开始工业化了。把 APM 这套逻辑引入了 AI 世界，未来应该会成为各公司落地 agent 的基础设施。

4/ LangChain 对未来的三点预测

4.2 所有人都将成为 Agent Builder

目前的大多数人都处于一个专业象限中（工程/产品/ML/Prompt），LangChain 希望逐步让他们往Agent Engineer靠近。

推出了三个入口：
- LangGraph Prebuilts：常见智能体架构（单智能体、群体、监督者等）模版
- LangGraph Studio V2：全新 UI，支持在线运行、不再限于 Mac，支持直接调试生产 trace
- Open Agent Platform：完全开源，零代码构建智能体，支持 RAG as a service、MCP 工具服务、Agent 注册管理等

目的就是：哪怕不是程序员，也能构建实用的 Agent。

---
我对这三个入口做个简单的解释：
- LangGraph Prebuilts：程序员用的
- LangGraph Studio V2：产品、测试、开发用的，可以直接调试 trace
- Open Agent Platform：非技术用户用的，拖拽搭建Agent（里面含 MCP / RAG）

前两个我没用过，第三个我体验过，个人感觉比coze agentic 一些，但是完成度一般，可以持续跟进；

这就是 LangChain 的长线策略：
1. 用 LangGraph 建 Dev 基座；
2. LangSmith 让团队协作；
3. Open Agent 把战线拉到非技术人；

这就是我为什么一直认为 Agent 的终局不在技术圈，
而在业务一线。
LangChain 的这套工具层次，正在把 Agent 建设拉到组织内人人可用的级别。

4/ LangChain 对未来的三点预测

4.3. Agent 的下一道门槛是部署

智能体不像普通 Web 应用：
- 可能是长时间运行（例如代码分析、文档生成可达 10 分钟、甚至 12 小时）
- 常常是 批量/突发式运行
- 需要状态管理（支持 human in the loop）

LangGraph Platform 已正式 GA：
- 提供 30 多种 API（stream、memory、HITL）
- 横向可扩展，应对突发流量
- 支持 MCP server
- 提供控制面板，统一管理、分享、复用 Agent
- 三种部署方式：云端、混合、自托管

---
部署智能体不是开个接口这么简单。Agent 天生需要状态、缓存、中断恢复、HITL等机制，你不能把它当 chatbot，你得当流程引擎来部署。

大家都在做 agent，大多数部署是临时、hack 式的，
别不好意思，我们过去也是这样。过程中也探索出来一种不那么优雅的方式完成 agent 的部署。

LangGraph Platform 把 Agent as backend service 这件事真正标准化了。部署策略本身，也将变成智能体能力的一部分。

希望看到社区快速的跟进，有这样的平台出来让大家使用、参与共建。

5/ 强行总结：LangChain 构建了一个 Agent 工程的全链路工具宇宙

这场 Interrupt 2025 演讲传达了一个很清晰的信号：
智能体不是未来，而是现在进行时。
Agent 工程，不是 prompt 堆砌，而是一整套跨越产品、工程、认知的系统建构。
- LangChain：多模型 glue 层
- LangGraph：认知流程 orchestrator
- LangSmith：团队协作与观测平台
- LangGraph Platform：部署与服务化平台
- Open Agent Platform：AI-native builder 工具

如果说 OpenAI 把 AI 做成了对话入口，Gemini 把 AI 做成了平台服务，那 LangChain 是把 AI 做成了系统工具链。

OpenAI 和 Google 的喧嚣之下，这场会议是技术人自己的宣言，
LangChain 向整个行业喊话：
智能体不是 demo 是系统，Agent 工程不是黑魔法，是新学科。

2023 是 AI 原型年，2024 是 Agent 原型年，2025 将是 Agent 工程年。
谁能率先跑出一套能持续服务 + 可维护进化的智能体系统，谁就能拿下新一代的 AI 操作系统权力。
LangChain 不是巨头，但他们正在做一件巨头迟迟没做好的事，让 AI 真正跑起来，进入万家中小企业。

这场 keynote 的内容，是一整套实操路径。
如果你还在想Agent 怎么落地？抄作业就行。