| Istilah | Arti |
|---|---|
| agent traces | Catatan lengkap langkah agen seperti panggilan model, alat, dan data, yang dipakai untuk memantau dan memperbaiki agen. |
| flywheel | Siklus berulang yaitu membangun, menguji, menerapkan ke sebagian pengguna, memantau, lalu kembali membangun, yang menurut pembicara membuat agen cepat matang. |
| observability | Kemampuan melihat apa yang terjadi di dalam agen saat berjalan, seperti jejak langkah dan kesalahannya, yang menjadi inti platform LangSmith. |
| governance | Aturan tentang siapa yang diwakili agen, izin alat, model yang boleh dipakai, dan batas biaya, yang dianggap wajib untuk agen internal perusahaan. |
| multi tenant | Sistem yang melayani banyak pengguna atau organisasi sekaligus dengan data yang tetap terpisah, dan pembicara menyebut agen masa depan berjalan seperti ini di cloud. |
| sandbox | Lingkungan terisolasi tempat agen menulis dan menjalankan kode tanpa menyentuh sistem utama, dan di LangSmith ia dipisahkan dari runtime agen. |
| Managed Deep Agents | Produk LangChain yang menggabungkan harness Deep Agents dengan infrastruktur terkelola seperti deployment, sandbox, dan gateway model dalam satu paket. |
| LangSmith | Platform LangChain untuk observability, evals, dan deployment agen, yang dalam keynote ini dibahas sebagai tempat jejak agen disimpan dan dianalisis. |
| harness | Kerangka di sekitar model yang menghubungkannya ke alat, data, konteks, dan instruksi, dan menurut pembicara inilah yang membuat agen berhasil. |
| evals | Pengujian sistematis untuk menilai kualitas jawaban agen, dan pembicara menyebut model keputusan yang lebih murah kini bisa dipakai sebagai penilainya. |
| business logic | Bagian khusus domain seperti instruksi, alat, skill, dan hook yang dibuat tim sendiri, dan pembicara menegaskan bagian ini tidak bisa disediakan LangChain. |
| runtime | Lapisan tempat agen dibangun dan dijalankan, termasuk library open source dan layanan deployment LangChain, yang menjadi salah satu pilar teknologinya. |
Keynote pembuka Interrupt London ini membahas gagasan bahwa setiap perusahaan sebaiknya memiliki kecerdasannya sendiri, bukan sekadar memakai model yang sama dengan semua orang. Pembicara dari LangChain menjelaskan bahwa agen yang berhasil di aplikasi nyata memang didorong oleh LLM, tetapi keberhasilannya datang dari sistem di sekitarnya, yaitu harness dengan skill, alat, konteks, kontrol, dan tata kelola. Alasannya ada tiga: biaya yang terus naik, model open source seperti Kimi dan DeepSeek yang makin kuat, serta data dan konteks perusahaan yang membedakan produk dari sekadar memakai ChatGPT atau Claude. Menurut keynote, kepemilikan itu harus bersifat terbuka, bisa terus dikembangkan, dan dapat diatur tata kelolanya. Ia juga menekankan tiga peran orang, yaitu tim platform GenAI, insinyur agen di unit bisnis, dan pembangun non-teknis yang tahu apa arti hasil yang baik.
Dari sisi teknologi, LangChain membagi tumpukannya menjadi runtime, observability dan evals, serta lapisan intelligence yang mengotomatisasi sebagian kerja. Runtime mencakup Deep Agents, kerangka open source dengan sandbox, memori, ringkasan percakapan, perencanaan, subagen, dan persetujuan manusia. Managed Deep Agents menggabungkan harness itu dengan infrastruktur seperti deployment, sandbox terpisah, gateway model, dan perintah mda deploy, serta menambahkan kontrol siapa yang diwakili agen dan batas biayanya. Untuk observability, jejak agen dianggap jenis data baru yang disimpan di SmithDB. Fitur yang disebut meliputi judge berbasis decision model yang lebih murah, kontrol akses terhadap input dan output, format Trajectories, pencarian AI, dan LangSmith Engine v2 yang mengusulkan perbaikan lewat PR serta menguji hasilnya. Engine disebut telah memindai lebih dari 70 juta jejak dan menemukan 21.000 masalah. Contoh agen yang disebut adalah Open SWE, agen koding open source, dan GTM Agent internal.
Kata kunci
- agent traces
- flywheel
- observability
- multi tenant
- Mengikuti keynote Interrupt London tentang keadaan agen dan arah pengembangan LangChain.
- Membahas memiliki intelligence sendiri lewat tiga lingkaran persona, flywheel dari agent traces, serta observability dan governance di LangSmith.
- Melihat sorotan Managed Deep Agents: multi-tenant, sandbox, logika bisnis, dan model kecil yang memilih jawaban dengan cepat dan murah.
Tulis catatan pribadimu untuk video ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.