LangChain v októbri 2026 rozšíril LangSmith o AI Search, Trajectories a Engine v2 pre prevádzku agentov

LangChain v newsletteri z 15. októbra 2026 zhrnul, že na podujatiach Interrupt NYC a London uviedol viacero nových funkcií pre tímy, ktoré stavajú a prevádzkujú agentov v produkcii. Medzi explicitne menované novinky patria LangSmith AI Search, Managed Deep Agents v0.9, LangSmith Engine v2 a LangSmith Trajectories; newsletter zároveň uvádza aj podporu FastMCP v LangChain v1.4.0 cez namespace langchain.mcp. Dodané podklady však túto MCP časť nerozvádzajú samostatnou technickou dokumentáciou, preto je bezpečnejšie čítať ju ako oznámenie v sumári, nie ako úplne rozobratú release zmenu.

Prakticky ide o posun od samotného „spúšťania agentov“ k nástrojom, ktoré majú pomôcť agentov pozorovať, vysvetľovať a opravovať počas prevádzky. To je dôležité najmä pre interné workflowy a tímy, ktoré potrebujú spätne dohľadať problematické správanie, pripraviť eval dáta alebo rýchlejšie vysvetliť priebeh relácie človeku z domény.

AI Search v LangSmith pridáva vyhľadávanie traceov podľa správania opísaného prirodzeným jazykom, napríklad otázkami typu „bol používateľ frustrovaný?“ alebo „unikli osobné údaje?“. Podľa dodaného blogu sa pri tom nepoužívajú len tradičné filtre alebo fulltext, ale rozhodovací model, ktorý číta trace a vracia tie prípady, kde sa dané správanie objavilo. LangChain zároveň uvádza, že LangSmith pri tom používa trajectories na normalizáciu traceov a obmedzenie kontextového balastu, aby boli výsledky dotazov rýchlejšie.

S tým súvisí aj samostatne predstavená funkcia Trajectories. Tá zobrazuje reláciu agenta ako chronologický, konverzačný pohľad naprieč hlavným agentom a subagentmi. Namiesto celého vnoreného stromu behov ponechá správy a akcie v poradí, v akom sa objavili. Pre inžiniera to znamená rýchlejšie hľadanie bodu, kde sa správanie odchýlilo; pre doménového experta zasa čitateľnejší podklad na review bez potreby čítať celý detailný trace.

LangSmith Engine v2 podľa LangChain rozširuje automatizovanú diagnostiku o red teaming, zachytávanie neefektívnych ciest agenta a sledovanie trendov v chybovosti, latencii a nákladoch. Dôležitý detail je, že navrhované promptové alebo kódové opravy má systém automaticky otestovať a validovať ešte pred tým, než sa ukážu človeku na schválenie a nasadenie. Ide teda o workflow, kde produkčné traces neslúžia len ako log, ale ako vstup do cyklu identifikácie problému, návrhu opravy a kontroly regresií.

Managed Deep Agents v0.9 cielia viac na samotné správanie agenta v kanáloch ako Slack. Nový Schedules SDK umožňuje, aby agent počas konverzácie vytvoril pripomienku alebo opakovanú úlohu cez cron alebo jednorazové at. Blog výslovne uvádza, že takto vytvorený schedule beží ako používateľ, ktorý oň požiadal, s jeho oprávneniami a pripojeniami, a výsledok sa vracia do rovnakého kanála. Ďalšou zmenou je per-run konfigurácia, teda možnosť meniť model, skilly a nástroje pri každom behu jednej deployment konfigurácie. Pre interné firemné workflowy je to zaujímavé najmä tam, kde sa agent musí prispôsobiť kontextu používateľa alebo typu úlohy bez vytvárania samostatného nasadenia pre každý scenár.

Zo zdrojov vyplýva súvislá prevádzková línia: najprv čitateľnejšie zobraziť reláciu, potom vedieť ad hoc nájsť podozrivé správanie, následne proaktívne testovať slabé miesta a napokon nechať agenta robiť aj dlhšie trvajúce follow-up úlohy. To je relevantné pre startupy a malé tímy, ktoré budujú agentické workflowy nad internými dátami alebo komunikačnými kanálmi.

Treba však zachovať mieru istoty. Všetky dodané podklady pochádzajú z oficiálnych textov LangChain/LangSmith. Nezávislé benchmarky, ceny, presné limity, licenčné podmienky ani všeobecná dostupnosť každej funkcie nie sú v úryvkoch doložené. Rovnako nie je nezávisle overené, ako presne AI Search meria presnosť pri detekcii javov ako frustrácia používateľa alebo únik PII. Tento rozbor preto opisuje konkrétne produktové zmeny a ich pravdepodobný praktický význam podľa výrobcu, nie nezávisle potvrdené výsledky nasadenia.