A LangChain anunciou em 13 de outubro de 2026 o AI Search, um novo recurso do LangSmith que permite consultar traces de agentes de inteligência artificial por meio de linguagem natural. Em vez de depender de filtros rígidos, tags ou busca por texto exato, o usuário descreve o comportamento que procura, e a plataforma devolve os traces em que aquele comportamento realmente ocorreu.
O anúncio foi feito no blog da própria empresa.
A proposta nasce de uma limitação concreta das plataformas tradicionais de dados. Traces de agentes são volumosos, multimodais e densos em informação: registram entradas de usuários, respostas dos agentes, raciocínio intermediário, chamadas de ferramentas e falhas de lógica.
Isso os torna valiosos para entender comportamento e melhorar desempenho, mas também difíceis de consultar com as ferramentas analíticas convencionais, que não foram projetadas para cargas grandes e não estruturadas.
O que muda na prática
A diferença central está no tipo de pergunta que passa a ser respondida. Perguntas como "houve vazamento de PII?" ou "o usuário ficou frustrado?" não correspondem a um único atributo do trace, como uma tag ou um campo de metadados, e também não podem ser resolvidas por busca textual.
Elas exigem compreensão do conteúdo registrado. Segundo a LangChain, até agora a alternativa era configurar um avaliador com antecedência ou revisar os traces manualmente.
Com o AI Search, a busca passa a aceitar descrições amplas. Entre os exemplos citados pela empresa estão agentes que afirmaram ter concluído uma tarefa sem tê-la concluído de fato, usuários que pareceram frustrados ou contestaram uma resposta, requisições a modelos que vazaram dados pessoais e tentativas de cancelamento de assinatura.
O recurso também atende times de produto: é possível procurar por pedidos de integrações não suportadas, menções a concorrentes ou usuários confusos com o onboarding, observando as dificuldades nas palavras dos próprios usuários. O AI Search funciona em conjunto com os filtros já existentes no LangSmith, permitindo restringir a busca a traces que terminaram com erro ou que carregam uma tag específica.
Como a LangChain construiu a busca
A empresa explica por que descartou a abordagem mais comum para busca semântica. A busca vetorial transforma a consulta e cada trace em embeddings, listas curtas de números que resumem o assunto do texto, e devolve os resultados mais próximos.
O método funciona bem para busca por tema, como localizar conversas sobre cobrança, mas comprime um trace inteiro em um único vetor pequeno — e essa compressão é com perdas.
Um trace em que o agente realmente executou o trabalho e outro em que apenas disse tê-lo feito podem acabar com embeddings quase idênticos. Distinguir os dois casos exige um modelo que leia as palavras efetivas do trace junto com a pergunta do usuário e raciocine sobre o que aconteceu.
Fazer isso no momento da busca era caro e lento demais até recentemente. Modelos de decisão rápidos mudaram esse cenário: eles respondem a uma pergunta estreita sobre uma entrada com rapidez e custo baixos o suficiente para rodar em escala.
O AI Search combina essa inferência com o SmithDB, camada de dados do LangSmith para observabilidade de agentes. Conforme os traces chegam, o SmithDB os converte em trajetórias.
Quando uma busca é executada, os filtros reduzem os candidatos e o modelo de decisão verifica cada trajetória restante contra a descrição fornecida.
O uso de trajetórias aparece como peça central da arquitetura: segundo a LangChain, elas normalizam os traces, reduzem o excesso de contexto e permitem entregar resultados de consulta com rapidez mesmo diante de trajetórias longas e de buscas que precisam se manter velozes em escala.
Por que isso importa
O AI Search se soma a um esforço mais amplo da LangChain para transformar traces em infraestrutura utilizável ao longo de todo o ciclo de vida. A empresa já havia lançado o SmithDB, banco de dados construído especificamente para dados de trace, e os Custom Apps, que permitem criar visões sob medida sobre esses registros.
O objetivo declarado é ingerir e armazenar execuções em alto volume, consultá-las com flexibilidade e convertê-las em material de depuração, análise de produto e fluxos operacionais, como anotação.
Na prática, equipes que usam o LangSmith costumam garimpar traces para montar datasets de avaliação ou selecionar conversas para revisores em filas de anotação. A novidade torna esse garimpo mais direto: em vez de caçar agulhas no palheiro com filtros e revisão manual, a equipe descreve o padrão problemático e recebe os casos correspondentes, inclusive aqueles que ninguém havia previsto procurar.
