LangChain은 AI 에이전트의 급격한 비용 증가를 막기 위해 LangSmith LLM Gateway를 도입하여 실시간 비용 추적 및 제어 기능을 구현했다.
Box가 Deep Agents 아키텍처를 활용해 복잡한 기업용 데이터 분석을 수행하는 에이전트 시스템을 구축했다.
AI 에이전트의 코드 실행 시 발생하는 보안 위협을 방지하기 위한 샌드박스의 필수 기능과 선택 기준을 설명한다.
생명과학 데이터 플랫폼 Benchling은 멀티 모델 교차 검증과 구조화된 트레이스 리뷰를 통해 과학 연구용 AI 에이전트의 정확도를 높이고 있다.
LangChain이 클라이언트 측 API와 상태에 직접 접근할 수 있는 Headless Tools를 통해 에이전트의 실행 환경 한계를 극복한다.
SmithDB는 대규모 JSON 페이로드를 가진 에이전트 트레이스를 효율적으로 검색하기 위해 오브젝트 스토리지에 최적화된 역색인 구조를 설계했다.
디지털 헬스 기업 Numan이 AI 코치 'Nu'의 품질과 규제 준수를 위해 LLM 페르소나를 활용한 자동화된 평가 루프를 구축하는 방법을 설명한다.
AI 에이전트가 안전하고 독립적으로 코드를 실행할 수 있도록 하드웨어 수준의 격리를 제공하는 LangSmith Sandboxes를 소개한다.
LangGraph는 Retry, Timeout, Error Handler를 통해 실전 에이전트의 결함 허용 기능을 지원한다.
AI 모델이 범용화됨에 따라 벤더의 오케스트레이션 도구에 종속되지 않기 위한 모델 중립성이 중요해지고 있다.
Harvey와 LangChain Labs가 법률 에이전트 평가 및 사후 학습을 위한 저비용·고신뢰 LLM 검증기 설계 방안을 연구했다.
Deep Agents가 에이전트의 자가 평가 및 수정 루프를 지원하는 RubricMiddleware를 출시했다.
Rippling은 Deep Agents와 LangSmith를 활용해 복잡한 데이터 모델을 처리하는 프로덕션 AI를 6개월 만에 구축했다.
에이전트가 TypeScript 모듈을 직접 실행하는 인터프리터 스킬을 통해 더 복잡하고 예측 가능한 워크플로우를 구축할 수 있다.
AI 에이전트를 체계적으로 구축하고 운영하기 위한 4단계 개발 라이프사이클을 제시한다.
LangSmith Engine은 AI 에이전트의 실패 패턴을 분석하고 원인 진단부터 수정 제안까지 개발 주기를 자동화한다.
LangChain이 에이전트의 안전한 코드 실행을 위한 하드웨어 가상화 기반의 LangSmith Sandboxes를 정식 출시했다.
LangChain이 Interrupt 2026에서 에이전트 오류 진단 및 보안 실행 환경을 위한 신규 도구들을 공개했다.
Lyft는 LangGraph와 LangSmith를 활용해 비기술 전문가도 AI 에이전트를 직접 개발할 수 있는 플랫폼을 구축하여 개발 기간을 대폭 단축했다.
Mission Control은 Kubernetes 환경에서 셀프 호스팅되는 LangSmith의 배포와 운영을 통합 관리하는 인클러스터 애플리케이션이다.
LangChain이 토큰 스트림을 넘어 메시지, 도구 호출, 서브에이전트를 구조화된 이벤트로 스트리밍하는 새 아키텍처를 공개했다
LangSmith Auth Proxy는 네트워크 계층에서 인증 헤더를 주입해 샌드박스 외부에서 자격증명을 관리한다.
LangChain이 Deep Agent에 인터프리터를 추가해 툴 호출과 샌드박스의 중간 계층을 제공한다
AI Briefing