LangChain vừa nâng cấp LangSmith với Engine v2 hỗ trợ kiểm thử tự động, Managed Deep Agents thế hệ mới và khả năng tinh chỉnh mô hình chuyên sâu giúp tối ưu hóa quy trình phát triển AI.
LangChain vừa giới thiệu LangSmith Fine-Tuning tại hội nghị Interrupt, cho phép chuyển đổi các lượt chạy thành công từ LangSmith thành tập dữ liệu huấn luyện thông qua công cụ CLI mã nguồn mở smithtune trên nền tảng Baseten Loops.
Cùng sự kiện, bài đại diện «LangChain ra mắt tính năng LangSmith Fine-Tuning và công cụ CLI SmithTune»LangSmith Engine v2 vừa được cập nhật với khả năng Red Teaming giúp chủ động phát hiện lỗi của tác nhân AI, đồng thời hỗ trợ quy trình kiểm thử tự động toàn diện.
LangSmith vừa bổ sung tính năng Trajectories, cung cấp giao diện dạng hội thoại giúp người dùng dễ dàng theo dõi dữ liệu trace và tăng tốc độ gỡ lỗi cho các AI Agent chạy dài hạn.
LangSmith ra mắt tính năng Custom Apps, cho phép người dùng xây dựng và xuất bản giao diện tùy chỉnh dựa trên dữ liệu của AI Agent, đồng thời hỗ trợ quản lý hosting, xác thực và phân quyền ngay trên nền tảng.
Phiên bản 0.8 của Managed Deep Agents mang đến khả năng quản lý xác thực riêng, bộ nhớ theo người dùng, cùng các kênh tích hợp như Slack và công cụ tìm kiếm web, giúp tối ưu hóa việc triển khai AI agent trong môi trường thực tế.
LangChain vừa giới thiệu LangSmith Fine-Tuning cùng công cụ CLI SmithTune, giúp đơn giản hóa quy trình hậu huấn luyện mô hình mà không cần xây dựng đường ống dữ liệu thủ công.
Thêm 1 nguồn khác đưa tinBaseten Blog kỹ thuật (Web)LangSmith vừa tích hợp Jev vào quy trình đánh giá, cho phép phản hồi có cấu trúc cho các tác nhân AI với chi phí thấp và tốc độ xử lý nhanh hơn trong môi trường sản xuất.
LangChain thử nghiệm Jev so với các giám khảo LLM truyền thống trên 4 tiêu chí: độ chính xác, tính lặp lại, độ trễ và chi phí, nhằm tìm ra hướng đi mới cho việc đánh giá hiệu năng của các tác nhân AI.
Ma Dongxi NLP@dongxi_nlpLangChain vừa nâng cấp hệ thống harness với Jev, giúp tăng tốc đáng kể các tác vụ phân loại và điều hướng tác nhân hoặc mô hình nhờ khả năng xử lý cực nhanh.
LangChain hướng dẫn cách tích hợp Jev - mô hình System One từ TypeSafe AI - vào vòng lặp của các AI agent để tối ưu hóa khả năng ra quyết định nhanh và có cấu trúc.
LangChain giới thiệu Deep Life Sci, trợ lý AI tích hợp hơn 600.000 thử nghiệm lâm sàng và hàng triệu tài liệu PubMed, hỗ trợ các nhà khoa học phân tích dữ liệu thực tế thông qua môi trường sandbox.
LangChain tích hợp Baseten Loops nhằm tối ưu hóa quy trình huấn luyện và tinh chỉnh mô hình cho LangSmith, cho phép triển khai trực tiếp lên nền tảng suy luận của Baseten thông qua API.
LangChain giới thiệu giải pháp AI Agent giúp phân tích hiệu suất quảng cáo, đưa ra đề xuất tối ưu và chuyển đổi dữ liệu marketing thành hành động thực tế.
LangChain giới thiệu tính năng Connections giúp lưu trữ thông tin xác thực an toàn và hỗ trợ OAuth theo từng người dùng, cho phép các tác nhân AI thực hiện hành động dựa trên danh tính riêng biệt của mỗi cá nhân.
LangChain chia sẻ cách các chế độ ngữ cảnh (context modes) trong DeepAgents giúp tối ưu hóa hiệu suất, chi phí và sự tập trung cho các tác nhân con khi phối hợp với tác nhân giám sát.
LangChain bổ sung hỗ trợ MCP trong langchain.mcp, cho phép xử lý yêu cầu thông qua LangGraph interrupt và tối ưu hóa danh sách công cụ bằng cơ chế bộ nhớ đệm.
Bài viết trên blog LangChain giới thiệu cách Nevermined tích hợp khả năng thanh toán, cho phép các AI Agent tự động thực hiện giao dịch mua và bán dịch vụ một cách độc lập.
LangChain chính thức mở thử nghiệm công khai Managed Deep Agents và LLM Gateway, đồng thời nâng cấp hàng loạt tính năng như Deep Agents v0.7, bộ đánh giá Tuned Evaluators và hỗ trợ triển khai trên hạ tầng đám mây riêng (BYOC) của AWS.
LangChain giới thiệu WikiBench để kiểm chứng hiệu quả của tài liệu Wiki đối với các tác nhân AI lập trình. Kết quả cho thấy việc kết hợp Wiki với mã nguồn giúp cải thiện hiệu suất đáng kể và tối ưu chi phí so với chỉ sử dụng mã nguồn đơn thuần.
LangSmith vừa ra mắt tính năng RBAC, cho phép doanh nghiệp tùy chỉnh vai trò và quản lý khóa API để kiểm soát quyền truy cập tài nguyên chặt chẽ hơn, đảm bảo an toàn dữ liệu khi làm việc nhóm.
LangChain cung cấp đa dạng phương thức truy xuất từ ngữ nghĩa đến hỗn hợp, giúp nhà phát triển dễ dàng xây dựng các ứng dụng AI cá nhân hóa dựa trên dữ liệu riêng.
LangChain vừa gọi vốn thành công 10 triệu USD do Benchmark dẫn đầu. Nguồn vốn này sẽ được dùng để phát triển khung mã nguồn mở, giúp các nhà phát triển xây dựng ứng dụng AI thông minh có khả năng nhận diện dữ liệu.
Sự kết hợp giữa Timescale Vector và LangChain giúp tăng tốc độ tìm kiếm tương đồng lên 243% trên nền tảng PostgreSQL, hỗ trợ truy xuất RAG theo thời gian thực mà vẫn giữ được sự đơn giản vốn có.
LangChain giới thiệu bộ tiêu chuẩn đánh giá toàn diện cho các hệ thống hỏi đáp dữ liệu CSV, tập trung vào hiệu suất của tác nhân (agent), khả năng truy xuất và mô hình LLM để giúp nhà phát triển tối ưu hóa ứng dụng thực tế.
Cube và LangChain hợp tác sử dụng lớp ngữ nghĩa để cung cấp ngữ cảnh dữ liệu có cấu trúc cho LLM, giúp giảm thiểu hiện tượng ảo giác và hỗ trợ truy vấn dữ liệu bằng ngôn ngữ tự nhiên.
LangServe bổ sung giao diện Playground và khả năng tùy chỉnh tham số, giúp đơn giản hóa việc triển khai, thử nghiệm mô hình và tối ưu hóa quy trình làm việc nhóm cho các ứng dụng LangChain.
Hướng dẫn chi tiết cách kết hợp Deep Agents và LangSmith để xây dựng hệ thống tự động hóa quá trình thẩm định doanh nghiệp, tối ưu hóa hiệu suất thông qua kỹ thuật xử lý song song.
Khung làm việc Plan-and-Execute giúp tối ưu hóa AI Agent bằng cách tách rời giai đoạn lập kế hoạch phức tạp khỏi quá trình thực thi, từ đó giảm thiểu sai sót và tăng độ ổn định cho hệ thống.
LangChain giới thiệu quy trình tự động hóa nghiên cứu web, sử dụng Retriever để tìm kiếm và tổng hợp thông tin từ nhiều nguồn thông qua LLM, giúp tối ưu hóa việc thu thập dữ liệu.
Hướng dẫn xây dựng hệ thống RAG đa phương thức hỗ trợ hỏi đáp nội dung trên slide bằng GPT-4V, kèm theo các phương pháp triển khai và mẫu LangChain thực tế.
Bài viết hướng dẫn cách sử dụng LLM để truy vấn cơ sở dữ liệu SQL bằng ngôn ngữ tự nhiên, tập trung vào các kỹ thuật giảm thiểu ảo giác và tối ưu hóa độ chính xác thông qua khung làm việc LangChain.
LangSmith vừa giới thiệu tính năng Workspaces, cho phép doanh nghiệp phân tách tài nguyên theo nhóm, bộ phận hoặc môi trường triển khai, giúp quản lý dự án AI quy mô lớn hiệu quả hơn.
LangSmith Engine vừa cập nhật khả năng phát hiện lỗi cho AI Agent với hiệu suất tăng gấp đôi, đi kèm các đề xuất sửa lỗi thông minh hơn. Công cụ này hiện đã hỗ trợ tích hợp Slack, Linear và tùy chọn triển khai tự lưu trữ (self-hosted).
LangChain ra mắt tính năng Structured Tools, cho phép AI xử lý nhiều đầu vào cùng lúc để thực hiện các tác vụ phức tạp, giúp nâng cao đáng kể khả năng vận hành của các AI Agent.
LangChain giới thiệu Multi-Vector Retriever, cho phép tối ưu hóa RAG trên dữ liệu hỗn hợp gồm bảng biểu, văn bản và hình ảnh, giúp nhà phát triển xây dựng hệ thống truy xuất thông minh hơn.
LangChain giới thiệu quy trình 3 bước để thiết lập môi trường cho AI Agent, từ việc tạo đặc tả đến xây dựng kho tri thức chung, giúp chuẩn hóa việc huấn luyện và đánh giá hiệu năng của các hệ thống tự hành.
LangSmith Preview Builds cho phép đội ngũ kỹ thuật kiểm thử các thay đổi của AI Agent trong môi trường giả lập thực tế ngay trên nhánh Pull Request, giúp giảm thiểu rủi ro trước khi đưa vào vận hành chính thức.
AgentCore Payments là middleware giúp các tác nhân (agent) LangChain tự động thanh toán phí API với ngân sách xác định. Công cụ này hỗ trợ ký xác thực x402 và cho phép theo dõi chi tiết từng giao dịch qua LangSmith.
LangChain ra mắt Managed Deep Agents, cung cấp nền tảng quản lý toàn diện từ vận hành, lưu trữ đến đánh giá, giúp nhà phát triển triển khai AI Agent vào thực tế mà không cần tự xây dựng hạ tầng phức tạp.