A LangChain anunciou em 24 de setembro de 2026 a segunda versão do LangSmith Engine, o agente integrado à plataforma LangSmith que automatiza etapas do ciclo de desenvolvimento de agentes de IA. A atualização coloca duas frentes no centro da proposta: o Red Teaming, ferramenta de diagnóstico proativo que caça falhas antes que elas cheguem à produção, e a validação automática das correções sugeridas pelo próprio sistema antes de qualquer revisão humana.
O que o engine faz
Segundo a empresa, o Engine varre traces de produção em busca de pontos de melhoria, de erros a solicitações de usuários não atendidas.
Ao identificar um problema, ele o classifica e agrupa os traces relacionados em um único registro. Cada item chega com causa raiz, correção proposta, exemplos de referência para datasets de avaliação e monitoramento contínuo.
A ideia é transformar em ação os dados que o LangSmith já coleta, acelerando a passagem pelo ciclo de desenvolvimento de agentes. A LangChain informa que, desde o lançamento do Engine em maio, a ferramenta analisou mais de 70 milhões de traces e diagnosticou dezenas de milhares de problemas.
Red teaming antes da produção
A principal novidade é o Red Teaming, descrito como ferramenta proativa de solução de problemas voltada a casos como alucinações e violações de prompts de sistema.
O recurso analisa os traces de produção e os repositórios do agente para entender sua finalidade e seu comportamento. A partir desse contexto, testa fragilidades e identifica falhas que ainda não surgiram em produção.
O resultado é uma lista de problemas relevantes e verificados, pensada para antecipar quebras futuras.
O Red Teaming está disponível em beta privado para usuários já atendidos pelo LangSmith Deployment, com inscrição aberta por formulário.
Detecção de problemas difíceis de enxergar
A versão 2 também passa a encontrar falhas que costumam escapar à revisão humana até afetarem clientes e a conta de LLM.
Mesmo quando o agente parece funcionar como esperado, degradações sutis de latência irritam usuários e trajetórias ineficientes consomem tokens sem necessidade. O Engine analisa as trajetórias do agente para verificar se ele está seguindo um caminho ineficiente para cumprir uma tarefa, como fazer uma chamada de ferramenta incorreta ou repetitiva, e sugere uma alternativa mais eficiente.
Acompanha tendências em métricas como taxa de erro, latência e custo. Todos os problemas ficam na mesma fila, de modo que o time acompanha e resolve tudo em um só lugar.
Correções pré-validadas antes da fila
O Engine já oferecia correções sugeridas, mas o usuário precisava escolher entre publicar direto em produção e monitorar o tráfego real ou fazer revisão manual, testar offline e só então implantar.
Publicar sem testar arrisca a experiência do cliente; testar à mão atrasa o desenvolvimento. Para agentes que usam o LangSmith Deployment, o Engine agora valida as correções antes de colocá-las na fila de revisão.
Ao detectar um problema, ele primeiro reproduz a falha rodando as entradas problemáticas contra o agente em Deployment. Em seguida, inicia o processo de desenvolvimento da correção: propõe uma mudança, testa contra as mesmas entradas, avalia os resultados e ajusta a proposta.
A cada teste, a correção fica mais robusta, e só quando o Engine confirma que o problema foi resolvido a sugestão chega ao usuário no LangSmith.
O que vem depois
O material indica que o próximo passo é o suporte a BYOK para o Engine auto-hospedado, sem detalhes adicionais sobre prazos ou escopo.
A LangChain justifica o investimento em automação argumentando que agentes são especialmente adequados a esse tipo de trabalho, porque analisam grandes volumes de dados e escrevem código, o que os torna bons em encontrar problemas sutis, redigir correções e monitorar regressões.
Por que isso importa
A atualização amplia o escopo de atuação de um agente que já opera dentro da plataforma de observabilidade da LangChain, aproximando diagnóstico, correção e teste em um mesmo fluxo.
Para equipes que mantêm agentes em produção, isso significa menos tempo dedicado a caçar bugs e mais tempo para construir novas capacidades, na formulação da própria empresa.
Ao antecipar falhas com red teaming e ao reproduzir erros antes de sugerir mudanças, a proposta ataca dois gargalos conhecidos: a dificuldade de prever comportamentos indesejados de agentes e o custo de validar cada ajuste manualmente. Resta acompanhar como o beta privado evolui e como o Engine se comporta fora dos ambientes que já usam o LangSmith Deployment.
