LangChain Blog

에이전트 메모리는 하네스(Harness)와 밀접하게 연결되어 있으며, 데이터 소유권과 모델 전환의 유연성을 확보하기 위해 오픈 소스 하네스 사용이 필수적이다.

LangChain 팀이 모델에 구애받지 않고 메모리 소유권을 보장하는 오픈소스 에이전트 배포 프레임워크인 Deep Agents Deploy를 발표했습니다.

성공적인 AI 에이전트 구축을 위해 전문가의 암묵적 지식을 자동화된 평가기(Evaluator)에 반영하고, 이를 통해 지속적인 개선 루프를 형성하는 전략을 제시한다.

에이전트의 하네스를 평가 데이터와 대조하며 반복적으로 개선하여 일반화 성능을 높이는 Better-Harness 시스템과 방법론을 제시한다.

LangChain이 비동기 서브에이전트와 확장된 멀티모달 파일 지원을 포함한 Deep Agents 신규 버전을 공개했다.

LangChain이 Arcade.dev와 협력하여 LangSmith Fleet에 7,500개 이상의 에이전트 최적화 도구와 보안 게이트웨이를 통합했다.

AI 에이전트의 지속적 학습은 모델 가중치뿐만 아니라 실행 코드(하네스)와 외부 설정(컨텍스트)의 세 계층에서 상호보완적으로 이루어져야 한다.

배포 후 발생하는 오류를 포아송 분포로 탐지하고 트리아지 에이전트로 인과관계를 분석하여 코딩 에이전트가 자동으로 수정 PR을 생성하는 시스템 구축 사례이다.

GLM-5와 MiniMax M2.7 같은 오픈 소스 모델이 핵심 에이전트 작업에서 유료 프론티어 모델 수준의 성능을 보이면서도 비용과 지연 시간을 획기적으로 줄일 수 있음을 입증했다.

LangChain이 에이전트 관리 플랫폼 LangSmith Fleet을 출시하고 NVIDIA와의 파트너십 및 주요 제품 업데이트를 발표했다.

LangChain과 MongoDB Atlas의 통합을 통해 벡터 검색, 상태 유지, 자연어 쿼리 및 관측성을 단일 플랫폼에서 제공하여 AI 에이전트의 프로덕션 배포를 가속화한다.

LangChain의 Deep Agents 팀이 제안하는 정확도와 효율성을 동시에 측정하고 에이전트의 행동을 원하는 방향으로 유도하는 타겟팅된 평가 방법론.

S&P Global의 Kensho 팀이 LangGraph를 사용하여 복잡한 금융 데이터를 통합 검색하고 검증된 답변과 인용구를 제공하는 멀티 에이전트 프레임워크 'Grounding'을 구축했다.

LangChain은 에이전트 루프의 각 단계에 커스텀 로직을 삽입할 수 있는 '에이전트 미들웨어' 아키텍처를 통해 PII 제거, 동적 도구 선택, 컨텍스트 요약 등 복잡한 프로덕션 요구사항을 해결한다.

Moda는 LangChain의 Deep Agents와 LangSmith를 활용하여 LLM이 다루기 힘든 좌표 기반 디자인 데이터를 커스텀 DSL과 멀티 에이전트 워크플로우로 해결한 사례를 공유한다.

LangChain이 Google Cloud Next 2026에서 LangSmith 신기능과 GKE 기반 보안 샌드박스 기술을 공개하고 Marketplace 출시를 통한 기업 도입 편의성을 강화했다.

LangChain은 LangSmith Fleet을 통해 사용자 대리 권한을 사용하는 'Assistants'와 고정 자격 증명을 사용하는 'Claws'라는 두 가지 에이전트 권한 모델을 제시한다.

LangSmith의 AI 어시스턴트 Polly가 정식 출시되어 복잡한 트레이스 분석, 평가기 작성, 실험 결과 비교 등 LLM 개발 전 과정을 지능적으로 지원한다.

LangChain이 AI 에이전트가 생성한 신뢰할 수 없는 코드를 하드웨어 수준에서 격리하여 안전하게 실행할 수 있도록 돕는 LangSmith Sandboxes를 출시했다.

LangChain의 에이전트 프레임워크와 NVIDIA의 가속 컴퓨팅 및 Nemotron 모델을 결합하여 기업이 고성능 AI 에이전트를 대규모로 구축, 배포, 모니터링할 수 있는 통합 플랫폼을 제공한다.

LangChain Deep Agents에 에이전트가 최적의 시점에 자신의 컨텍스트를 스스로 요약하고 압축할 수 있는 자율적 메모리 관리 도구가 추가되었다.

LangChain이 내부 영업 프로세스 자동화를 위해 구축한 GTM 에이전트의 아키텍처, 성과 및 실무 교훈을 상세히 공유합니다.

영업 자동화 플랫폼 Clay는 월 3억 건의 복잡한 AI 에이전트 워크플로를 관리하기 위해 LangSmith를 도입하여 품질 관측과 비용 최적화를 실현했다.

LangChain은 모델 변경 없이 시스템 프롬프트, 미들웨어, 추론 예산 최적화 등 하네스 엔지니어링만으로 코딩 에이전트의 Terminal Bench 성능을 13.7%p 향상시켰다.