Em 25 de setembro de 2026, durante o evento Interrupt NYC, a LangChain apresentou uma nova rodada de atualizações do LangSmith, sua plataforma para desenvolvimento, observabilidade e avaliação de agentes de IA. O pacote inclui o Engine v2, a versão 0.8 dos Managed Deep Agents, um novo modo de visualizar sessões chamado Trajectories, recursos de fine-tuning de modelos abertos e a possibilidade de criar aplicativos personalizados sobre os dados dos agentes.
Segundo a empresa, os lançamentos se organizam em dois pilares do ciclo de vida de desenvolvimento de agentes: runtime e observabilidade com avaliações. Acima deles fica uma camada de inteligência, que atua sobre a lógica de negócio, os traces, as avaliações e os dados de produção.
Engine v2 aposta em red teaming e correção automática
Melhorar um agente costuma envolver várias etapas. Identificar o problema, descobrir a causa raiz, propor uma correção, testá-la, implantá-la e monitorar regressões.
O LangSmith Engine foi criado como um agente dentro da plataforma para automatizar esse percurso. Desde o lançamento, em maio, ele já ajudou engenheiros a analisar mais de 60 milhões de traces e a diagnosticar dezenas de milhares de problemas, de acordo com a LangChain.
Na versão 2, o destaque é o red teaming. A partir de traces de produção e repositórios, o Engine formula hipóteses sobre falhas que ainda não apareceram em produção, testa essas hipóteses e apresenta as falhas confirmadas para revisão.
A detecção de problemas também foi ampliada. Além de erros e pedidos não atendidos, o sistema passa a identificar tendências de desempenho em taxa de erro, latência e custo, assim como trabalho ineficiente do agente, como chamadas repetitivas de ferramentas ou trajetórias desnecessariamente longas.
Para agentes em execução no LangSmith Deployment, o Engine v2 passa a validar correções propostas antes da revisão humana e da implantação. O sistema roda as entradas problemáticas contra o agente para confirmar o problema, testa candidatos de correção em um conjunto mais amplo de avaliações até encontrar uma solução que resolva a falha e, então, apresenta o resultado ao usuário, que pode abrir um pull request com um clique.
A LangChain informou ainda que a próxima versão do LangSmith auto-hospedado dará suporte a BYOK para o Engine.
Agentes gerenciados ganham identidade, memória e canais
O Managed Deep Agents combina o harness Deep Agents com infraestrutura gerenciada, com o objetivo de encurtar o caminho da lógica de negócio até um agente em produção. A versão 0.8 ataca quatro desafios comuns nesse cenário: memória do agente, autenticação, canais e gestão de ferramentas.
A plataforma já oferecia memória durável. Agora introduz memória no nível do usuário, permitindo que o agente armazene contexto vinculado a cada usuário autenticado.
Essa camada mantém o contexto do interlocutor separado da memória compartilhada do agente.
A atualização também traz autenticação com escopo de identidade e busca na web integrada.
Trajectories, fine-tuning e apps sob medida
O Trajectories é uma nova visão conversacional dos traces, pensada para facilitar a navegação por sessões de agentes e pelos dados de rastreamento. A proposta é tornar mais simples transformar sessões reais de uso em material de análise e, no passo seguinte, em dados de treinamento.
O LangSmith Fine-Tuning usa as trajetórias para ajustar modelos abertos (post-training) voltados a tarefas especializadas. Já o Custom Apps permite que equipes construam e publiquem interfaces próprias dentro do LangSmith para fluxos como filas de anotação e experimentos, usando os dados dos agentes como base.
Por que isso importa
O conjunto de anúncios aponta para uma mudança de foco. Em vez de tratar observabilidade como um painel passivo, a LangChain posiciona o Engine como um agente que age sobre o ciclo de desenvolvimento, detectando, diagnosticando, testando e sugerindo correções.
Para equipes que colocam agentes em produção, isso pode reduzir o tempo entre a descoberta de um problema e a entrega de uma correção. Também pode antecipar falhas que só apareceriam depois de afetar usuários.
Recursos como memória por usuário e autenticação com escopo de identidade respondem a exigências práticas de governança e separação de contexto. O fine-tuning de modelos abertos e as interfaces personalizadas dão às equipes mais controle sobre os próprios dados e fluxos de trabalho.
A camada de inteligência descrita pela empresa depende justamente desse acúmulo. Quanto mais traces, avaliações e dados de produção, mais material existe para melhorar os agentes em uso.
Fontes e links
- New in LangSmith: Engine v2, Managed Deep Agents, Fine-Tuning, and more
- Engine v2 e red teaming
- Introducing Managed Deep Agents
- The agent development lifecycle
