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.
LangSmith giúp các đội ngũ phát triển AI y tế chuyển đổi quy trình đánh giá lâm sàng thành các bộ dữ liệu và tiêu chuẩn kiểm định, đảm bảo hệ thống vận hành an toàn trong môi trường thực tế.
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 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.
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.
LangSmith vừa ra mắt tính năng tích hợp Pytest và Vitest, cho phép nhà phát triển thực hiện đánh giá mô hình trực tiếp trong quy trình kiểm thử phần mềm quen thuộc.
Bài viết cung cấp quy trình toàn diện sử dụng LangSmith để quản lý dữ liệu, tinh chỉnh và kiểm chứng hiệu quả các mô hình LLM như LLaMA2 và GPT-3.5, giúp nhà phát triển tối ưu hóa mô hình một cách hệ thống.
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.
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).
LangSmith ra mắt giải pháp gỡ lỗi cho các AI Agent phức tạp thông qua tính năng truy vết (tracing) và tối ưu hóa Prompt bằng Polly, giúp nhà phát triển cải thiện hiệu suất và độ chính xác của hệ thống.
Toyota Bắc Mỹ đã triển khai hơn 50 AI agent vào thực tế, rút ngắn chu kỳ phát triển từ 6 tháng xuống còn 4 ngày nhờ ứng dụng Deep Agents và LangSmith để quản lý hiệu suất và đo lường ROI.
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.
LangSmith giới thiệu tính năng Tuned Evaluators, cho phép gắn phản hồi chất lượng trực tiếp vào các trace trong môi trường thực tế, bắt đầu với khả năng phát hiện lỗi (Perceived Error) giúp đội ngũ tối ưu hóa AI hiệu quả hơn.
LangSmith Bring Your Own Cloud đã chính thức ra mắt trên AWS, cho phép các doanh nghiệp triển khai khả năng giám sát, đánh giá và vận hành mô hình ngay trong VPC riêng của mình.