LangChain 宣布 LangSmith LLM Gateway 进入公开测试。该网关位于 Agent 与模型之间，统一执行运行时管控，避免成本超支和故障。支持按组织、工作区、API key、用户四个层级设置限时花费上限并追踪支出，超限时 Agent 收到 402 响应；同样四级可设速率限制；还支持模型回退和敏感数据处理。多租户场景下，可通过自定义请求头识别终端客户，在共用一把 API key 的情况下为每个客户单独设花费和速率上限。
推荐理由做生产环境 Agent 的团队可直接用：花费上限、限流、模型回退一次配置，避免重试循环烧出四位数账单
LangChain 的编码 Agent deepagents-cli 在 Terminal Bench 2.0 上从 52.8 分提升到 66.5 分，涨 13.7 分，排名从 Top 30 外进入 Top 5。模型固定为 gpt-5.2-codex，只调整 harness。做法是把 trace 分析做成 Agent Skill：从 LangSmith 拉取实验 trace，并行启动错误分析 Agent，再由主 Agent 汇总建议，人工可参与验证。优化集中在三个旋钮：系统提示词、工具、中间件。团队称自我验证和 t…
推荐理由只改 harness 不改模型就能涨 13.7 分，做 Agent 的可以直接抄这套 trace 分析流程
LangChain 为开源编码 Agent Open SWE 构建了模型路由，相比始终使用顶级前沿模型的基线，单线程中位成本下降 64%，质量无可测量变化。做法是先用 LangSmith 追踪数据给一周的交互线程按任务类型打标：新功能 22%、修 bug 17%、测试或空跑 16%；再结合成本与调用次数判断复杂度。LangChain 认为路由决策应放在 Agent harness 里而非通用网关，因为选模型需要 harness 已收集的领域与任务上下文。
推荐理由做 Agent 成本优化可直接照搬：路由放 harness 内、用 trace 打标分任务，实测省 64%
LangChain 发布 LangSmith Fine-Tuning 及配套 CLI 工具 smithtune，可将 LangSmith 中的 agent 轨迹数据转为微调数据集，支持监督微调（SFT）。训练环节接入 Fireworks 或 Baseten，评估仍在 LangSmith 完成，全流程通过一个 CLI 驱动，也可交给编码 agent 执行。官方称基于自有示例训练的专用模型在特定任务上可达到或超过通用前沿模型，且成本与延迟通常更低。目前仅支持 SFT。
推荐理由做 agent 的团队可以用它把线上轨迹直接变成训练数据，训练托管在 Fireworks 或 Baseten
LangChain 推出 Managed Deep Agents 0.8，新增四项能力：用户自有凭证、用户级记忆、HTTP channels，以及 Slack 文件传输，并内置由 Parallel 提供支持的网页搜索工具。该产品把 Deep Agents 框架与生产运行所需基础设施打包，项目以代码优先方式组织在仓库目录中，包含 instructions.md、identity、memory、tools、channels、middleware、schedules、connectors、skills、sandbox、e…
推荐理由想让 Agent 上生产又不想自己搭记忆、鉴权和 Slack 接入的团队，可看这份目录结构清单
LangChain 宣布 Jev 可作为评判模型用于 LangSmith 的评估功能。Jev 由 TypeSafe AI 团队开发，属于 System One 模型，不生成文本，而是对状态返回带类型的答案和概率，支持三种问题类型：返回是/否概率的 noul、从选项集中选一的 choice、按有序量表打分的 score。LangChain 称其能以远低于 LLM 评判的成本评估开放式 Agent 行为，速度介于代码评估与 LLM 评判之间。用户可在任意 tracing 项目的 Evaluators 标签页中试用。
推荐理由做 Agent 评估的团队可省下 LLM 评判的开销，直接换成返回结构化结果的低成本评判器