丰田北美部署 Deep Agents 与 LangSmith:构建企业级 AI 智能体标准与可观测性体系
丰田北美通过引入 LangChain 的 Deep Agents 框架和 LangSmith 平台,建立了内部 AI 应用的标准架构与调试流程。该举措旨在将 AI 能力从实验阶段转化为可量化的企业资产,重点解决了智能体决策黑盒、评估困难及部署复杂等工程痛点。
报道正文
本文目录7 个章节

Sofia Sulikowski 2026年8月24日 6分钟 返回博客 创建智能体 创建智能体
丰田北美汽车公司是全球领先的汽车制造商之一。其企业 AI 团队由工程师、架构师、产品经理和内部布道者组成,运作方式宛如一家内部初创公司。这支约 35 人的团队为整个企业设定了 AI 发展的“北极星”目标,制定了所有应用程序必须遵循的标准,并利用 Deep Agents、LangGraph.. 和 LangSmith 构建最高优先级的 AI 产品。
一支拥有全企业使命的小型团队
丰田的企业 AI 团队服务于公司的各个业务领域:制造、供应链、金融服务、经销商网络、车载开发、研发等。这支三十多人的团队无法承受为每个新应用从零开始构建工具链的成本。
"我们曾亲历过一切自研的痛苦。在尝试打造自有解决方案的过程中,我们付出了巨大的代价——耗费了大量人力和工程时间," 丰田北美汽车公司 AI 工程总监 Kordel France 表示。
由于每个项目都必须达到六位数至七位数的年度 ROI(投资回报率)门槛,该团队需要一种能够满足快速交付智能体需求的解决方案,从而实质性地改变制造产出和效率。
ToyotaGPT:从耗时 6 个月、投入 6 名工程师到仅需 4 天、1 名工程师
丰田企业级 AI 产品组合的核心是 ToyotaGPT,这是该团队内部的旗舰平台。它由一个不断扩充的、定制化的领域专用智能体(agent)库组成。各部门员工使用 ToyotaGPT 获取基于丰田内部数据的答案,这些数据涵盖制造文档、研发报告以及供应链记录等。对底层数据的访问受权限控制;例如,如果团队成员没有 SharePoint 上某个数据集的访问权限,智能体就不会显示相关数据。
目前,该平台已有超过 50 个智能体投入生产环境。在该团队基于 Deep Agents 和 LangGraph 构建当前的开发基础设施之前,发布一个新智能体需要 6 个月时间和 6 名工程师。如今,这一过程仅需 4 天和 1 名工程师。
Agentic AI 与产品研究总监 Ravi Chandu Ummadisetti 这样描述其基础架构:“LangChain 的 Deep Agents 是一个精妙的概念。只需一条命令 create deep agent,你就能为每个新智能体获得一个强大的运行框架(harness)以及完整的生态系统。”
企业级 AI 团队并没有将丰田的领域知识硬编码到各个独立的智能体中,而是构建了一个可复用技能库,涵盖制造、供应链、研发、品牌等领域。这些技能在运行时被注入到 Deep Agents 中,以跨用例可移植的形式,将机构知识直接提供给模型。
GearPal:确保生产线上的每一台机器正常运行
制造产线是丰田最核心的产品。它生产丰田销售的每一辆汽车,也是使丰田成为世界顶级制造商的系统——这是一个能够持续适应新技术的自我进化运营体系。根据停机发生的位置不同,每分钟的意外停机都会给丰田造成数十万至数百万美元的损失。
为了最大限度地减少停机时间,企业级 AI 团队开发了 GearPal,这是一款应用程序,它为任何机器技术员提供了自然语言界面,用于诊断产线上任何制造机器人或资产的故障。技术员可以走上前去,询问机器为何故障以及如何修复,GearPal 会随即呈现相关的诊断信息、历史维修记录和维修指南。过去可能需要 5 到 6 小时的诊断工作,现在仅需 2 到 3 分钟即可解决。
GearPal 还解决了一个代际知识传承问题:随着资深技师退休,新员工需要能够挖掘机构专业知识的工具。在这里,技能(Skills)也发挥了作用,它将机械知识编码化,帮助新老员工快速解决问题。团队还添加了一个 LLM 网关,用于在提供商宕机时处理 LLM 回退机制,以确保 GearPal 足够可靠,可以部署在实时生产线上。
R&D GPT:将数年的研究压缩至数月
在研发方面,Ravi 的团队正在应对一个不同但同样高风险的挑战。丰田的研发资料庞大、高度技术化,且分散在数十个文档库中。开发看似简单的丰田汽车油漆,涉及多年的配方工作,包括极端高温和低温下的测试、耐腐蚀性分析以及机器人喷涂精度的验证。
R&D GPT 是一个基于 Deep Agents 构建的智能体,允许研究人员查询丰田所有内部研发资料,并发现那些原本需要数周人工审查才能察觉的细微差别。自该智能体上线以来,研究周期已从大约 3 年压缩至 1 年。
一项关键的技术挑战是跨重叠领域(如油漆、腐蚀、座椅材料、皮革等)的检索精度。例如,早期关于油漆的查询有时会错误地从腐蚀数据库中拉取信息。对此,团队构建了一个由 LangGraph 驱动的并行工具调用系统。当智能体无法在主工具中找到文档时,它会同时查询辅助工具,并在响应前合并结果。
LangSmith:AI 应用的“安灯看板”
安灯看板(Andon board)是丰田基础制造原则之一,它为工厂车间的每个人提供实时视图,显示哪些流程正在运行、哪些出现故障以及资源需要流向何处。用 Kordel 的话说,LangSmith 就是丰田 AI 应用的“安灯看板”。
“LangSmith 让我们能够监控所有智能体,了解哪些功能有效、哪些无效、哪些工具调用失败、哪个 PR 刚刚破坏了流水线,以及用户正在采用哪些功能,” Kordel 解释道。“这种可观测性不仅对我们构建更好的产品至关重要,也有助于说服我们的利益相关者相信我们构建的每一个工具都是安全的。”
借助 LangSmith,团队可以追踪单个 Agent 的交互过程、识别检索失败情况,并量化不同用户群体的行为模式——这对于弥合工程团队的信心与管理层批准之间的差距至关重要。“LangSmith 的可观测性可能是我们从整个 LangChain 生态系统中获得的最大资产,” Kordel 表示。
该团队还在平台层面将 LangSmith Insights Agent 应用于 ToyotaGPT,利用它来了解不同部门对系统的采用情况,并确定哪些新的专用 Agent 值得优先开发。
迈向八位数节省目标
每个制造业用例都有望在每条生产线、每个车间和每个工厂实现至少六位数的年度成本节省。基于丰田北美制造基地的整体规模进行推算,随着产品组合的成熟,Kordel 预计每个设施每年可实现数百万美元的成本节省。
“希望明年我们再次交流时,我能说我们的节省金额已达到七到八位数的范围。我们预测在未来几年内将实现这一目标,” Kordel 说道。
更直接地看,4 天的 Agent 交付周期意味着团队现在能够跟上来自企业各层面的需求信号。随着 50 多个 Agent 投入生产以及可扩展平台的建立,企业 AI 团队的目标非常明确:“AI 将体现在资产负债表上,而这要归功于 LangChain。我们将看到其影响,也将看到投资回报。”
了解更多关于Deep Agents和LangSmith如何加速 Agent 开发的信息.
查看你的 Agent 实际在做什么
LangSmith 是我们的 Agent 工程平台,帮助开发者调试每一个 Agent 决策、评估变更,并一键部署。