Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LangChainAI 번역헤드라인
Managed Deep Agents가 프로덕션 환경의 에이전트 사용자 경험을 개선합니다
Managed Deep Agents (MDA) 0.8 버전이 출시되어 프로덕션 환경에서 에이전트를 구축하고 배포하는 과정을 간소화했습니다. 이 업데이트는 사용자 소유 자격 증명, 사용자 수준 메모리, HTTP 채널 지원 및 Parallel 기반 웹 검색 기능을 추가하여 엔지니어링 팀의 부담을 줄입니다.
10월 6일2
LangChainAI 번역헤드라인
LangSmith Fine-Tuning 소개
새로운 LangSmith Fine-Tuning CLI인 `smithtune`이 출시되어 에이전트 트래젝토리를 파인튜닝 모델로 연결하는 엔드투엔드 워크플로우를 제공합니다. 이 도구는 데이터셋 생성, 학습(Fireworks/Baseten 사용), 평가까지 단일 CLI에서 처리하며, 사후 학습을 위한 지도 파인튜닝(SFT)을 지원합니다.
10월 6일1
LangChainAI 번역헤드라인
LangSmith Engine에 추가된 기능: 레드팀 및 자동화 테스트
LangSmith Engine v2가 출시되어 에이전트 개발 라이프사이클(ADLC) 전반의 자동화 및 문제 해결 능력을 강화했습니다. 주요 기능으로는 프로덕션 환경에 배포되기 전 버그와 프롬프트 문제를 선제적으로 감지하는 Red Teaming과, 비효율성, 오류율, 비용 추세 등 발견하기 어려운 문제들을 찾아내는 기능이 추가되었습니다.
10월 6일1
LangChainAI 번역헤드라인
Jev와 LangGraph를 사용한 프로덕션 에이전트 구축하기
TypeSafe가 출시한 Jev는 텍스트 생성 대신 구조화된 결정을 내리는 새로운 모델입니다. 이는 에이전트의 라우팅 및 분류와 같은 좁은 결정 작업에서 기존 LLM 대비 압도적인 속도와 비용 효율성을 제공합니다. LangGraph를 활용하여 Jev의 장점을 극대화함으로써, 신뢰할 수 있고 관찰 가능한 '프로덕션'급 AI 시스템을 구축하는 방법을 제시합니다.
10월 6일1
LangChainAI 번역헤드라인
LangSmith에 새롭게 추가된 기능: Engine v2, 관리형 Deep Agents, 파인튜닝 및 기타
LangSmith에 새롭게 추가된 기능들을 통해 에이전트 개발 라이프사이클 전반을 강화했습니다. Engine v2는 레드팀잉 및 확장 이슈 감지 기능을 제공하여 문제 발생을 사전에 예방합니다. 또한, 관리형 Deep Agents와 파인튜닝 기능을 활용해 사용자 메모리 기반의 전문적인 에이전트를 쉽게 구축하고 배포할 수 있습니다.
10월 6일1
LangChainAI 번역헤드라인
LangSmith Custom Apps: 에이전트 데이터를 활용한 맞춤형 인터페이스 구축
LangSmith의 Custom Apps 기능 출시로, 사용자가 LangSmith 데이터를 기반으로 맞춤형 UI를 쉽게 구축하고 워크스페이스 내에서 공유할 수 있게 되었습니다. 이 기능을 통해 별도의 호스팅이나 인증 과정 없이도 에이전트 트레이스, 실험 결과 등을 검토하는 커스텀 인터페이스를 만들고 재사용할 수 있습니다.
10월 6일1
LangChainAI 번역헤드라인
Jev가 LangSmith Evals에서 사용 가능해졌습니다
Jev라는 System One 모델이 LangSmith의 평가(evaluations) 심사위원으로 사용 가능해졌습니다. Jev는 개방형 에이전트 동작을 빠르고 저렴하게 평가하고, 그 결과를 구조화된 피드백으로 변환하여 추적할 수 있게 합니다. 이는 기존 코드 기반 및 LLM-as-a-judge 방식의 한계를 보완하는 세 번째 평가 방식을 제시합니다.
10월 6일1
LangChainAI 번역헤드라인
코딩 에이전트 비용 폭증: 해결 방법
코딩 에이전트 사용량 폭증으로 인해 기업들의 AI 비용 관리가 심각한 문제로 대두되고 있습니다. 여러 도구에서 발생하는 활동 기록의 파편화(fragmentation) 때문에 어떤 에이전트가 가장 큰 가치를 창출하는지 측정하기 어렵습니다. 해결책은 모든 코딩 에이전트 사용 세션을 단일 뷰로 통합 추적하고, 비용 상한선 설정 및 저렴한 오픈 소스 모델 라우팅을 통해 지출을 통제하는 것입니다.
7월 15일1
LangChainAI 번역헤드라인
에이전트 개선은 데이터 마이닝 문제이다
에이전트 성능 개선의 핵심은 실행 과정에서 발생하는 트레이스(Traces) 데이터를 마이닝하여 지속적 학습 루프를 구축하는 것입니다. 이를 위해 관측 가능성(Observability) 확보와 대규모 데이터 큐레이션 역량이 필수적입니다.
7월 7일1
LangChainAI 번역헤드라인
OpenWiki: 코딩 에이전트를 위한 오픈 소스 저장소 문서화 도구
OpenWiki는 코딩 에이전트가 코드베이스를 더 잘 이해할 수 있도록 저장소 문서를 자동으로 생성하고 유지 관리하는 오픈 소스 도구입니다. 코드가 변경될 때마다 위키를 최신 상태로 업데이트하여 에이전트에게 구조화된 컨텍스트를 제공합니다.
7월 1일1
LangChainAI 번역헤드라인
추출 벤치마킹 (Extraction Benchmarking)
LangChain이 채팅 로그에서 구조화된 정보를 추출하는 LLM의 능력을 측정하기 위한 새로운 'Chat Extraction' 데이터셋을 공개했습니다. 이 데이터셋은 비구조화된 텍스트 분류 및 기계 판독 가능한 정보 생성 능력을 테스트하여 LLM 애플리케이션 개발의 실질적인 도전 과제를 다룹니다.
7월 1일1
LangChainAI 번역헤드라인
Deep Agents에서 RLM을 사용하는 방법
에이전트의 컨텍스트 부패 문제를 해결하기 위해 재귀적 언어 모델(RLM)을 활용하는 방법을 소개합니다. RLM은 컨텍스트를 모델 윈도우에 직접 넣는 대신 REPL 환경에서 코드를 실행하여 대규모 데이터를 효율적으로 처리합니다.
7월 1일1
LangChainAI 번역헤드라인
Pendo가 LangSmith를 사용하여 사용자 행동에서 코드 수정까지 Novus를 추적하는 방법
Pendo는 LangSmith를 활용하여 사용자 행동 데이터를 분석하고 코드를 자동으로 수정하는 제품 에이전트 'Novus'를 구축했습니다. Novus는 세션 리플레이와 행동 데이터를 기반으로 사용성 문제를 감지하고, 근본 원인을 진단하여 즉각적인 코드 수정을 제안함으로써 제품 피드백 루프를 완성합니다.
7월 1일1
LangChainAI 번역헤드라인
Deep Agents가 샌드박스 없이 신뢰할 수 없는 코드를 실행하는 방법
Deep Agents의 동적 서브에이전트 도입에 따른 보안 문제를 해결하기 위한 설계 방식을 다룹니다. 프롬프트 인젝션 위험을 고려하여 실행 격리, 권한 격리, 지속 가능한 일시 중지를 핵심 요구사항으로 정의하고 WebAssembly를 활용한 해결책을 제시합니다.
6월 30일1
LangChainAI 번역헤드라인
Harbor x LangChain: 에이전트 평가를 위한 통합 스택
Harbor와 LangChain을 통합하여 에이전트 성능을 평가하기 위한 통합 스택을 소개합니다. 격리된 샌드박스 환경에서 에이전트를 병렬로 실행하고, LangSmith를 통해 트레이스를 분석하여 평가 결과의 원인을 파악할 수 있습니다.
6월 30일1
LangChainAI 번역헤드라인
Deep Agents의 동적 서브에이전트 (Dynamic Subagents) 소개
Deep Agents가 대규모 작업의 안정성과 컨텍스트 관리를 위해 '동적 서브에이전트' 방식을 도입했습니다. 이는 단순 도구 호출 대신 에이전트가 직접 오케스트레이션 스크립트를 작성하여 실행하는 프로그래밍 방식의 접근법입니다.
6월 29일1
LangChainAI 번역헤드라인
2026년 6월: LangChain 뉴스레터 — Fleet On-Call Copilot, Deep Agents Rubrics 및 기타 소식
LangChain의 LangSmith 업데이트와 에이전트 개발 생명주기(ADLC)를 다루는 뉴스레터입니다. Fleet On-Call Copilot, Computer Use 기능, Deep Agents Rubrics 등 에이전트 운영 및 평가를 위한 최신 도구와 방법론을 소개합니다.
6월 25일1
LangChainAI 번역헤드라인
SmithDB의 전문 검색(Full-text search)을 위한 역색인(Inverted index) 구축 방법
SmithDB에서 전문 검색을 지원하기 위한 역색인(Inverted index)의 구축, 압축, 쿼리 과정을 설명합니다. 특히 대규모 JSON 페이로드를 효율적으로 처리하기 위해 JSON 테이프 방식을 활용한 평탄화 기법과 토큰화 과정을 다룹니다.
6월 25일1
LangChainAI 번역헤드라인
Klarna의 AI 어시스턴트가 어떻게 8,500만 명의 활성 사용자를 위해 대규모 고객 지원을 재정의했는가
Klarna는 LangGraph와 LangSmith를 활용하여 8,500만 명의 사용자를 지원하는 AI 어시스턴트를 구축했습니다. 이 시스템은 멀티 에이전트 아키텍처를 통해 고객 지원 업무를 자동화하며, 700명의 직원과 맞먹는 효율성을 보여줍니다.
6월 24일4
LangChainAI 번역헤드라인
AI 에이전트에 메모리(Memory)를 구축하는 방법
AI 에이전트가 이전 경험을 통해 학습할 수 있도록 돕는 메모리(Memory) 구축 방법을 설명합니다. 단기 메모리와 장기 메모리의 개념적 차이를 정의하고, LangSmith를 활용하여 트레이스를 메모리로 변환하는 구현 프로세스를 다룹니다.
6월 24일1