LangSmith Agent Builder вышел из беты: теперь создавать агентов можно просто словами

Наконец-то: Agent Builder стал полноценным продуктом

Помните тот момент, когда вы в сотый раз настраивали цепочки промптов для очередного агента? Когда каждая новая задача требовала переписывать половину кода? Когда интеграция с новым API превращалась в многочасовой квест?

Забудьте.

30 января 2026 года LangSmith объявил о выходе Agent Builder из бета-версии. Это не просто "обновление". Это смена парадигмы. Теперь создать рабочего агента можно буквально за минуты, просто описав словами, что он должен делать.

Что изменилось с выходом из беты?

То, что раньше называлось "бета", было скорее техническим демо. Сейчас перед нами полноценный инструмент для продакшена. Вот ключевые изменения:

Самое важное изменение — появилась функция "Natural Language Agent Creation". Раньше нужно было собирать агента из кусочков: выбирать модели, настраивать промпты, подключать инструменты. Теперь достаточно написать: "Создай агента, который анализирует новости о технологических компаниях и отправляет дайджест в Slack каждый день в 9 утра".

Система сама:

• Подберет оптимальную модель для задачи (для новостей — Gemini 3.0 Pro с расширенным контекстом)
• Настроит цепочку промптов с учетом временных интервалов
• Предложит подключить RSS-агрегатор и Slack Webhook
• Сгенерирует код для планировщика задач

Как это работает на практике: создаем агента за 3 шага

1 Описываем задачу человеческим языком

Открываем Agent Builder в LangSmith. Видим поле "Опишите, что должен делать агент". Пишем максимально подробно:

Мне нужен агент для технической поддержки. Он должен:
1. Читать тикеты из Jira Service Management
2. Анализировать описание проблемы
3. Искать похожие решения в базе знаний Confluence
4. Предлагать варианты решения
5. Если проблема сложная — эскалировать к конкретному инженеру
6. Отвечать пользователю в Slack

2 Проверяем и корректируем предложенный план

Система анализирует описание и генерирует план агента. Выглядит это примерно так:

Что видим в плане:

1. Jira Reader Agent — читает новые тикеты каждые 5 минут
2. Problem Analyzer — классифицирует проблему (баг, вопрос, запрос функции)
3. Confluence Search Agent — ищет решения в базе знаний
4. Solution Generator — генерирует ответ на основе найденного
5. Escalation Manager — определяет, нужна ли эскалация
6. Slack Responder — отправляет ответ пользователю

Здесь можно отредактировать: удалить лишние шаги, изменить интервалы, выбрать другую модель для конкретного суб-агента.

3 Настраиваем интеграции и запускаем

Agent Builder показывает список необходимых интеграций:

• Jira Service Management API (OAuth 2.0)
• Confluence REST API
• Slack Bot Token
• База сотрудников для эскалации (CSV или API HR-системы)

Для каждой интеграции есть пошаговая инструкция. Для популярных сервисов вроде Jira и Slack — готовые формы с полями для токенов. Для кастомных API — генератор кода на основе OpenAPI-спецификации.

После настройки нажимаем "Create Agent". Система генерирует весь необходимый код, разворачивает агента в вашем LangSmith проекте и показывает дашборд мониторинга.

Новые фичи GA релиза, о которых мало кто знает

Автоматический промпт-инжиниринг

Раньше приходилось вручную писать промпты для каждого суб-агента. Теперь система анализирует задачу и генерирует оптимизированные промпты. Более того — она постоянно их улучшает на основе обратной связи.

Пример: для агента анализа новостей система может сгенерировать такой промпт для суммаризации:

Ты — аналитик новостей. Твоя задача:
1. Выдели 3 ключевых факта из статьи
2. Определи тональность (позитивная/негативная/нейтральная)
3. Оцени влияние на акции компании (высокое/среднее/низкое)
4. Суммаризируй в 2-3 предложениях

Статья: {article_text}

Формат ответа JSON:
{
  "key_facts": ["...", "...", "..."],
  "sentiment": "...",
  "impact": "...",
  "summary": "..."
}

Интеллектуальный подбор инструментов

Система теперь понимает семантику инструментов. Если вы говорите "нужен поиск в интернете", она предложит не просто Google Search API, а конкретную реализацию с фильтрацией по доменам, языку и дате.

Еще круче: если в описании задачи есть "работа с PDF" или "анализ таблиц", система автоматически подключит соответствующие парсеры и библиотеки.

Динамическое масштабирование суб-агентов

В бета-версии количество суб-агентов было фиксированным. Теперь система может создавать их динамически в зависимости от сложности задачи.

Пример: агент для анализа отзыва клиента. Если отзыв короткий — один суб-агент. Если длинный с множеством аспектов — система создает отдельного суб-агента для анализа каждого аспекта (цена, качество, сервис, доставка).

Типичные ошибки (и как их избежать)

Реальные примеры из практики

Пример 1: Агент для HR-отдела

Задача: "Создай агента, который анализирует резюме кандидатов, сравнивает с требованиями вакансий, задает уточняющие вопросы по email и составляет краткое досье"

Что сгенерировал Agent Builder:

• PDF парсер для резюме (подключил библиотеку PyPDF2)
• Векторный поиск по базе требований вакансий
• Генератор персонализированных email с вопросами
• Суб-агент для составления досье с оценкой по 10-балльной шкале
• Интеграцию с Greenhouse (HR-система)

Пример 2: Агент мониторинга инцидентов

Задача: "Агент, который следит за логами приложения в Datadog, обнаруживает аномалии, определяет критичность и создает инциденты в PagerDuty с автоматическим назначением ответственного"

Здесь система использовала готовый шаблон Incident Manager и донастроила его под конкретные метрики приложения.

Как проверить, что агент работает правильно?

LangSmith предоставляет полный стек мониторинга:

1. Трассировка выполнения — видите каждый шаг агента, промпты, ответы моделей
2. Метрики качества — точность, время ответа, стоимость вызовов
3. Автоматическое тестирование — система генерирует тест-кейсы на основе описания задачи
4. A/B тестирование моделей — можно сравнить, какая модель лучше справляется с задачей

Особенно полезно смотреть на трассировки в первые дни работы агента. Часто обнаруживаются неочевидные проблемы: например, агент слишком часто вызывает дорогую модель или зацикливается на определенном шаге.

Что делать, когда агент "тупит"?

Да, такое бывает даже с автоматически созданными агентами. Вот алгоритм действий:

1. Проверьте трассировку — на каком шаге возникает проблема?
2. Упростите задачу — разбейте на более мелкие подзадачи
3. Замените модель — иногда GPT-4o справляется лучше, чем Claude
4. Добавьте примеры — система позволяет добавить few-shot примеры прямо в интерфейсе
5. Используйте Agent Skills — предварительно обученные навыки для конкретных задач

Если агент постоянно ошибается в одном и том же месте — это повод пересмотреть архитектуру. Возможно, нужно выделить отдельный суб-агент для этой подзадачи или использовать специализированную модель.

Стоимость и лимиты

Agent Builder доступен во всех платных тарифах LangSmith. На стартовом тарифе ($99/месяц) можно создавать до 10 агентов с ограничением 1000 вызовов в месяц на агента.

Важный момент: стоимость складывается из:

• Стоимости вызовов моделей (GPT-4, Claude и т.д.)
• Стоимости хранения трассировок в LangSmith
• Стоимости вызовов внешних API (если используются)

Для тестирования можно использовать более дешевые модели (GPT-4o-mini вместо GPT-4o), а потом переключиться на более качественные.

Что дальше? Будущее Agent Builder

По слухам, команда LangSmith уже работает над:

• Мультимодальными агентами — работа с изображениями, видео, аудио
• Автоматической оптимизацией стоимости — система будет сама выбирать самые дешевые модели, которые справляются с задачей
• Генерацией документации — автоматическое создание документации по работе агента
• Интеграцией с локальными моделями — возможность использовать локальные модели вроде AgentCPM для конфиденциальных данных

Но самое интересное — обещают функцию "обучения агентов на лету". Агент будет анализировать свои ошибки, корректировать промпты и даже предлагать изменения архитектуры.

Пока этого нет, можно использовать старый добрый подход с суб-агентами и ручной настройкой. Но скоро, возможно, и это станет ненужным.

Правда в том, что Agent Builder не заменит опытного инженера по машинному обучению. Сложные агенты с кастомной логикой все равно придется писать вручную. Но он избавит от рутины — настройки промптов, подключения API, мониторинга.

Попробуйте создать своего первого агента сегодня. Даже если вы никогда не писали код для AI. Просто опишите задачу словами — и посмотрите, что получится. Иногда результат удивляет даже опытных разработчиков.