LangChain, 에이전트 궤적 기반 미세 조정 CLI `smithtune` 출시

LangChain이 에이전트 궤적(agent trajectory)을 지도 미세 조정(SFT) 데이터셋으로 변환하는 smithtune CLI를 중심으로 한 LangSmith Fine-Tuning 기능을 출시했다. 이 도구는 데이터셋 생성, 학습 실행, 평가를 단일 인터페이스에서 처리해 맞춤형 데이터 파이프라인 구축 부담을 없앴다.

시스템은 메시지, 도구 호출, 결과로 구성된 에이전트 궤적을 활용해 특화 모델을 학습한다. 각 단계에서 모델이 본 정확한 컨텍스트와 동적 도구 가용성을 포착함으로써, smithtune은 실제 에이전트 행동을 반영하는 학습 데이터를 보장한다. 실제 모델 학습 과정은 Fireworks와 Baseten과 통합해 수행한다.

내부 테스트에서 큐레이션된 궤적으로 기본 모델을 미세 조정하면 성능이 크게 향상됐다. 예를 들어 Kimi K2를 미세 조정하면 내부 벤치마크 점수가 기본 모델의 90.0에서 96.0으로 상승해 GPT-5.6 Sol의 85.0을 능가했다. 또한 Qwen3-8B는 78.0에서 82.0으로 개선됐다. 이러한 결과는 도메인 특화 SFT가 목표 작업에서 모델 성능을 높일 수 있음을 시사한다.

작업 흐름은 LangSmith에서 궤적을 가져오고, 고품질 예시를 필터링하며, CLI로 학습 매개변수를 설정하는 방식으로 구성된다. 사용자는 학습 작업 실행 전 하이퍼파라미터를 조정하고 특정 기본 모델을 선택할 수 있다. 또한 미세 조정된 모델과 기본 모델을 비교하는 평가 기능을 포함해 미세 조정 효과에 대한 즉각적인 피드백을 제공한다.