Em 24 de setembro de 2026, a LangChain anunciou a chegada do Trajectories ao LangSmith, plataforma de observabilidade e avaliação para aplicações de IA. O recurso oferece uma visão conversacional e cronológica de cada sessão de agente.
Reúne mensagens de pessoas, modelos e ferramentas em uma única linha do tempo. A proposta responde a uma pergunta que abre quase toda investigação sobre agentes: o que o agente realmente fez?
Da trace completa à trajetória legível
No LangSmith, cada unidade de trabalho executada por um agente é registrada como um run. Os runs de uma mesma operação formam uma trace.
As traces de uma sessão com múltiplos turnos são encadeadas em uma thread.
Essa estrutura entrega a árvore completa de execução, com runs aninhados, tempos, tentativas repetidas, entradas, saídas e metadados. Quando é preciso entender exatamente como algo rodou, a trace continua sendo a fonte da verdade.
A trajectory é uma projeção sobre as traces de uma thread. Remove a estrutura aninhada e mantém apenas as mensagens e ações que explicam o comportamento do agente.
Cada uma aparece uma única vez, na ordem em que surgiu pela primeira vez.
Onde o recurso funciona
Segundo a LangChain, as trajectories funcionam sem configuração adicional para traces enviadas pelo LangChain, pelo LangGraph e pelo Deep Agents. Também cobrem SDKs de agentes como OpenAI e Claude e agentes de programação como Codex, Claude Code e Cursor.
A empresa descreve o mecanismo como uma forma de navegar pelos dados de trace, e não como substituto deles. A inspeção detalhada do runtime continua disponível na trace subjacente.
Depuração de sessões longas
O ganho aparece sobretudo em agentes de execução prolongada. Em fluxos curtos de um único turno, descobrir o que aconteceu costuma ser trivial.
Em sessões longas, o caminho se perde entre muitos turnos de usuário, chamadas de ferramenta, novas tentativas e transferências para subagentes.
A LangChain cita o caso de um agente de suporte que roda nove turnos e sessenta mensagens e recebe uma reclamação de resposta incorreta. Na visão de trajetória, é possível percorrer a conversa, as chamadas de ferramenta e as ações do agente em ordem.
Assim o desenvolvedor localiza o turno em que o agente reaproveitou um resultado antigo em vez de buscar dados atualizados.
Só então ele salta para a trace correspondente e examina a entrada e a saída exatas da ferramenta, tempos, retentativas e a estrutura de runs aninhados. A inversão de lógica é o ponto central: primeiro encontrar o passo de comportamento que importa, depois inspecionar a execução daquele passo.
Especialistas de domínio como revisores
Nem sempre quem julga o trabalho do agente é quem o construiu. Um especialista em saúde sabe se um agente de triagem clínica fez a pergunta de acompanhamento correta.
Um revisor do setor financeiro avalia se um agente de conformidade tratou um caso como deveria. Um líder de suporte verifica se o fluxo de escalonamento seguiu a política interna.
Esses profissionais precisam enxergar consultas e respostas. Não têm por que decifrar runs aninhados, retentativas ou metadados de execução.
Ao apresentar a sessão em formato de conversa ordenada, as trajectories reduzem essa fricção e tornam a revisão por especialistas mais escalável.
Do comportamento em produção ao dado de treino
A LangChain também posiciona as trajectories como insumo para melhoria contínua. É possível pontuar trajetórias com avaliadores online, encaminhá-las para filas de anotação ou conjuntos de dados e salvar sessões úteis em datasets.
A partir daí, exemplos podem ser exportados para fluxos de ajuste fino supervisionado. O comportamento observado em produção vira material de pós-treinamento.
O movimento conecta observabilidade, avaliação e treinamento em um mesmo ciclo, em vez de tratá-los como etapas separadas.
O que muda na prática
Para equipes que desenvolvem agentes, a novidade desloca o ponto de partida da investigação. Em vez de abrir a árvore completa de execução e procurar a falha em meio a dezenas de runs, o time começa pelo caminho percorrido e desce ao detalhe quando necessário.
Isso tende a encurtar o tempo de diagnóstico e a ampliar quem consegue participar da avaliação de qualidade. Para quem usa o LangSmith, a pergunta que fica é menos sobre ter dados de execução e mais sobre conseguir lê-los.
Com sessões cada vez mais longas e com vários subagentes, a camada de leitura passa a ser parte da infraestrutura.
