에이전트 개선 루프에 사람의 판단을 어디에 넣을 것인가 — LangChain의 관점
에이전트가 진짜 쓸 만해지는 순간은, 우리 팀이 오랫동안 쌓아 온 판단이 그 안에 녹아 들어갈 때입니다. 문서로 정리된 매뉴얼은 그대로 떠먹이면 됩니다. 진짜 어려운 건 시니어들의 머릿속에만 있는, 말로 잘 안 풀어 본 그 직관입니다. ...
LangSmith
LangChain Fleet가 범용 채팅과 전문 에이전트를 둘 다 두는 이유
개요 에이전트에게 일을 시키다 보면 두 가지 패턴이 보입니다. 하나는 즉흥적인 부탁이고, 다른 하나는 매주 같은 방식으로 돌아오는 반복 업무입니다. LangChain의 Brace Sproul이 2026년 6월 16일 공개한 글에서 정확히 이 분리를 다룹니다. Fleet에는 General Purpose Chat과 Specialized Agents가 따로 있는데, 같은 채팅창에 둘을 욱여넣지 않는 데에는 이유가 있습니다. ...
LangSmith 노코드 에이전트 빌더 — 코드를 모르는 사람도 AI 에이전트를 만든다
LangChain이 새로 공개한 LangSmith Agent Builder는 개발자만 쓰던 에이전트 세계를 일반 업무 담당자에게도 열어주는 도구입니다. 코드 한 줄 없이, 대화로 에이전트를 만들고 메모리·도구·트리거까지 붙입니다. 이번 글에서는 이 도구가 기존 노코드 자동화와 무엇이 다른지, 어떻게 동작하는지, 그리고 실무에서 어디부터 써볼 만한지 정리해 봅니다. ...
에이전틱 엔지니어링: AI 코딩 도구 다음 단계는 ‘팀 운영 방식’이다
출처: LangChain Blog / Cisco guest post 문서유형: 번역·해설 #AgenticEngineering #AIAgent #MultiAgent #LangChain 핵심 요약 AI 코딩 도구를 이야기할 때 우리는 보통 “코드를 얼마나 빨리 짜느냐”에 집중합니다. 그런데 LangChain 블로그의 글 **“Agentic Engineering”**이 던지는 질문은 조금 다릅니다. ...
프로덕션 AI 에이전트 모니터링: LangChain이 말하는 관측성과 평가의 핵심
출처: LangChain Blog 문서유형: 원문 해설 #LangChain #LangSmith #AgentObservability #LLMEvaluation #AIAgent 핵심 요약 LangChain의 글 **“You don’t know what your agent will do until it’s in production”**은 프로덕션 AI 에이전트 운영에서 가장 중요한 문제를 짚습니다. 전통적인 소프트웨어는 입력 경로가 어느 정도 정해져 있지만, LLM 에이전트는 자연어를 입력으로 받고, 도구를 호출하고, 여러 단계의 추론을 거쳐 결과를 만듭니다. 그래서 단순히 latency, error rate, CPU 사용률만 봐서는 에이전트가 “잘 일하고 있는지” 알 수 없습니다. ...