Создание контекстно-ориентированных приложений с рассуждением на LangChain и LangSmith
Building Context-Aware Reasoning Applications with LangChain and LangSmith
Контекст и архитектура рассуждения определяют, насколько предсказуемо ведёт себя LLM-приложение, поэтому его стоит проектировать как инженерную систему, а не как один вызов модели.
- Четыре способа передать контекст — инструкции в промпте проще всего, с них обычно начинают. Few-shot примеры лучше описания для тона и структурированного вывода, RAG задаёт, на чём строится ответ, а fine-tuning пока на ранней стадии.
- Выбор архитектуры — цепочки дают контроль над последовательностью шагов, роутеры выбирают ветку или модель, а агенты в цикле лучше обрабатывают неожиданные входы. По словам спикера, Voyager наращивает набор инструментов со временем, а агент сам решает, когда планировать, выполнять и проверять.
- Отладка промпта в середине цепочки — LangSmith показывает полностью собранный промпт на любом шаге, его можно поправить в интерактивном редакторе и сравнить ответы другого провайдера.
- Оценка без датасета — спикер советует собирать данные вручную, из продакшен-трафика или генерацией LLM, использовать LLM-assisted evaluation и отслеживать прямую и косвенную обратную связь с A/B тестами.
Кому полезно: инженерам, которые выбирают между цепочкой и агентом и не знают, как проверять промпты на каждом шаге многошаговой системы.
Статья по теме
Главы
Ещё доклады: Harrison Chase
Страница спикера →3 составляющих надежных корпоративных agents
AI Engineer World's Fair 2025
Похожие доклады
Context engineering: связываем точки с помощью графов
AI Engineer Code 2025
Близко по содержанию
Как создать обучающуюся память для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
Keynote: Почему люди считают, что «agent» — это модное словечко, хотя это не так
AI Engineer Summit 2025
Близко по содержанию

