术语slug: execution-traces

执行轨迹

Execution Traces

记录智能体在任务中每一步操作、决策及中间状态的详细日志序列

收录情报动态

共 6 篇 · 第 1/1 页
Hacker News AIT2·开发与工程
68 分
Laminar 发布 flow-1 模型 低成本检测智能体静默失败

开源 AI 智能体可观测性平台 Laminar 推出基于强化学习训练的 flow-1 模型,专门用于识别智能体执行轨迹中的“静默失败”(即调用成功但逻辑错误的情况)。该模型在基准测试中检测质量媲美 GPT-6-sol,但成本降低 23 倍,使得全量分析生产环境智能体轨迹成为可能。

LangChain BlogT1·智能体与协同
48 分
LangChain 解析 Agent 评估体系:混合代码与 LLM 裁判策略及离线基准实践

LangChain 发布关于智能体(Agent)评估的常见问答指南,提出“代码评估器优先、LLM 裁判补充、人工复核兜底”的分层验证架构。文章强调需针对多步轨迹和最终状态进行全链路测试,并介绍了利用 Terminal-Bench 等长程任务基准结合 LangSmith 平台实现从开发到生产环境的闭环监控方法。

Hugging Face BlogT1·智能体与协同
68 分
Hugging Face 开源 funes:赋予编码智能体持久记忆

Hugging Face 推出开源工具 funes,旨在解决编码智能体跨会话、跨设备“失忆”痛点。该工具将智能体产生的执行轨迹(Traces)转化为可检索的结构化长期记忆,使不同主机上的代理能共享上下文与决策逻辑。目前项目已开源并集成至 Hub 生态,支持开发者自定义记忆存储方案。

LangChain BlogT1·开发与工程
48 分
Candidly 基于 LangSmith 构建状态感知 Agent:从事后评估转向实时对话引导

Candidly 团队利用 LangSmith 平台构建了具备“状态感知”能力的智能体框架,实现了从传统的事后结果评估向对话过程中的实时引导转变。该方案通过读取部分执行轨迹(Partial Trace)来推断用户意图与当前交互阶段,从而动态调整响应策略以优化任务完成率。这一实践展示了如何利用可观测性工具增强 LLM 代理在复杂多轮对话中的决策能力。

LangChain BlogT1·开发与工程
42 分
LangSmith 推出 Deep Agents 调试方案:集成 AI 助手 Polly 解析复杂代理决策链与执行轨迹

LangChain 团队发布 LangSmith 针对“深度智能体”(Deep Agents)的调试增强功能,旨在解决多步推理与工具调用中的错误定位难题。该更新引入了名为 Polly 的 AI 辅助调试器,能够自动分析代理的执行轨迹、决策逻辑及中间状态,帮助开发者快速识别并修复复杂代理系统中的故障。