LangSmith 上线 Trajectories 视图:以线性路径可视化智能体会话,加速根因定位与专家反馈
LangChain 在 LangSmith 平台推出 Trajectories(轨迹)功能,将智能体复杂的多轮交互、工具调用及子代理行为转化为可读的线性路径视图。该功能旨在解决长运行智能体调试难的问题,允许开发者快速定位行为偏差节点,并支持领域专家无需解析嵌套 Trace 即可直接审查智能体表现,同时可结合在线评估器持续优化生产数据。
报道正文
本文目录8 个章节

Winston Huynh Bonnie Pecevich 2026年9月24日 5分钟 返回博客 创建智能体 创建智能体
核心要点
- 更快定位根本原因。 Trajectories(轨迹)展示了智能体在会话中按顺序执行的路径,因此你可以在深入查看 trace(追踪详情)之前,快速 pinpoint(定位)行为偏离发生的位置。
- 以更低的摩擦获取专家反馈。 SMEs(领域专家)可以通过可读性强的格式审查智能体行为,无需解析嵌套的 traces。
- 利用生产环境行为数据持续改进。 使用在线评估器对 trajectories 进行评分,将有用的会话保存到数据集,并导出示例用于监督微调工作流。
调试智能体通常始于一个简单的问题:智能体实际上做了什么?
对于简短的单轮工作流,答案通常很容易找到。但对于长时间运行的智能体,情况会迅速变得复杂。单个会话可能跨越多个用户轮次、工具调用、重试以及子智能体交接。完整的 trace 仍然是检查执行细节的正确位置,但当你要理解智能体所采取的路径时,它提供的细节可能过于繁杂。
今天,我们在 LangSmith 中推出 Trajectories,这是一种按时间顺序呈现的智能体会话对话视图。Trajectory 聚合了来自人类、AI 和工具的消息,涵盖主智能体及任何子智能体,并按其首次出现的顺序展示。
现在,你可以将 threads(线程)作为 trajectories 查看,使用在线评估器对 trajectories 进行评分,并将其路由到标注队列或数据集。
Trajectories 让 trace 数据更易于导航。
在 LangSmith 中,智能体执行的每个工作单元都被记录为一个 run(运行)。单次操作的所有 runs 构成一个 trace。多轮会话中的 traces 则链接成一个 thread。
这种结构为工程师提供了完整的执行树,包括嵌套的 runs、耗时、重试、输入、输出和元数据。当你需要确切了解某项任务是如何执行的时,trace 是事实来源(source of truth)。
但并非所有工作流都需要完整的执行树,这正是 trajectories 发挥作用的地方。
轨迹(Trajectory)是对线程中各追踪(trace)的投影。它移除了嵌套的运行结构,仅保留能够解释智能体行为的消息和操作。每条消息只出现一次且按顺序排列,因此你可以将整段会话视为智能体所走过的路径。

对于从 LangChain、LangGraph 和 Deep Agents 发送的追踪,以及来自 OpenAI、Claude 等智能体 SDK 和 Codex、Claude Code、Cursor 等编码智能体的追踪,Trajectories 开箱即用。
更快调试长时间运行的智能体
大多数智能体调试工作始于重建对话或工作流。用户报告智能体给出了过时的答案。你打开会话,需要弄清楚智能体在何处偏离了预期行为。是智能体误解了用户?还是复用了过期的上下文?调用了错误的工具?子智能体返回了糟糕的结果?最终响应忽略了工具输出?
答案通常隐藏在完整的追踪记录中,但可能被深埋在嵌套的执行细节里。一旦你知道该查看哪个运行(run),这些细节正是你所需要的;然而,最初找到那个运行才是真正耗费时间的地方。
借助 Trajectories,你可以从会话的有序路径开始排查。例如,一个支持智能体运行了九轮对话和六十条消息,客户抱怨回答有误。使用轨迹视图,你可以按顺序扫描对话、工具调用和智能体操作,从而找到智能体复用旧工具结果而非获取当前数据的那一轮。
在此基础上,他们可以跳转到该轮对应的底层追踪记录,查看完整的运行时细节,包括确切的工具输入、输出、耗时、重试次数以及嵌套的运行结构。与其一开始就面对所有执行细节,不如先定位关键的行为步骤,再检查该步骤对应的追踪记录。

为领域专家提供可读性强的审查视图
负责审查智能体工作与行为的人员,可能并非构建该智能体的人员。
医疗领域的专家知道临床接诊智能体是否提出了正确的后续问题。金融服务审核员知道合规智能体是否正确处理了案例。支持团队负责人知道升级工作流是否符合政策规定。这些审核人员需要查看查询内容和智能体的输出结果,但无需解析嵌套的运行记录、重试机制或执行元数据。
轨迹(Trajectories)使得这些审核工作流更易于扩展。将轨迹路由到标注队列中,让领域专家(SMEs)能够基于可读的会话视图对行为进行评分、标记问题并提供反馈。随后,这些反馈可以融入整个智能体改进工作流;它有助于团队优化提示词、更新智能体逻辑、改进评估器并构建更优质的数据集。
通过在线评估为智能体路径打分
阅读单个轨迹可以告诉你某次会话中发生了什么,但它无法告诉你相同的行为是否在整体生产流量中普遍存在。LangSmith 在线评估器现在可以对轨迹进行评分,从而在判断跨会话的智能体行为时获得更好的输入依据。
如果没有轨迹,使用运行级(run-level)评估器对长会话进行评分时,随着对话逐轮累积,往往会包含重复的上下文。这可能导致评估器的输入比必要情况更大且噪声更多。轨迹保留每条消息一次并按顺序排列,因此评估器可以专注于智能体所采取的路径。
在线评估随后可以筛选出值得深入关注的轨迹。你可以过滤低分会话,将其路由至人工审核,或保存至数据集中以供未来测试使用。
将生产环境行为转化为后训练数据
对于从事后训练(post-training)工作的团队而言,轨迹使生产会话更容易转化为可用的示例。它们包含了表征智能体行为所需的信息,包括系统提示词、用户消息、助手响应、工具调用以及工具输出。
这使得它们在审查最终答案之外更具价值。一个高质量的轨迹可以展示智能体何时请求澄清、调用了哪些工具、如何使用结果,以及在会话过程中如何进行调整。将高质量轨迹保存到数据集中,并导出用于监督微调工作流,利用生产环境中的行为作为希望模型复现的示例。
随着越来越多的团队利用生产数据来优化智能体(Agent),轨迹(Trajectories)正成为一种重要的基础要素。它们不仅记录了智能体的输出内容,更捕捉了产生这些输出的行为过程。
开始使用
目前,美国地区的所有套餐均已支持轨迹功能。
立即通过 登录或注册 LangSmith 体验轨迹功能,并 查阅文档 获取更多详情。
洞察智能体的真实行为
LangSmith 是我们的智能体工程平台,助力开发者调试每一个智能体决策、评估变更,并实现一键部署。