# LangGraph

LangChain在Interrupt NYC与London发布LangSmith多项新功能，让团队在生产环境中拥有自己的智能。此前排查对话只能靠传统过滤器，现在AI Search按语义理解trace，可以直接问“用户是否受挫”或“是否泄露了PII”。同一批更新还包括Managed Deep Agents v0.9、带红队测试的Engine v2、Trajectories、Custom Apps与Fine-Tuning，覆盖构建、理解与改进智能体的环节。

LangChain在Interrupt NYC与London发布LangSmith多项新功能，让团队在生产环境中拥有自己的智能。此前排查对话只能靠传统过滤器，现在AI Search按语义理解trace，可以直接问“用户是否受挫”或“是否泄露了PII”。同一批更新还包括Managed Deep Agents v0.9、带红队测试的Engine v2、Trajectories、Custom Apps与Fine-Tuning，覆盖构建、理解与改进智能体的环节。

Enrich.AI 把富集分析从“返回一张显著条目表”改成一次可追问的对话：用户给出基因列表和一句生物学背景，智能体自行在 220 多个基因集库、4000 多万篇文献和基因注释之间选择工具，输出有文献支撑的书面解读和六种可交互图。对 50 个 MSigDB Hallmark 基因集的系统评估中，65.6% 的论断有检索证据支撑，2.3% 无支撑，数据库可判定论断的幻觉率为 2.64%，90 次运行未出现伪造引用。

Enrich.AI 把富集分析从“返回一张显著条目表”改成一次可追问的对话：用户给出基因列表和一句生物学背景，智能体自行在 220 多个基因集库、4000 多万篇文献和基因注释之间选择工具，输出有文献支撑的书面解读和六种可交互图。对 50 个 MSigDB Hallmark 基因集的系统评估中，65.6% 的论断有检索证据支撑，2.3% 无支撑，数据库可判定论断的幻觉率为 2.64%，90 次运行未出现伪造引用。

该工作提出 pm4aa 流水线，用 PyStack't 从 GitHub 仓库抽取对象中心事件日志、用 Conventional Commits 正则把提交映射为 SE 任务、用优先级规则把 589 个用户划分为八个角色，再对每个角色做对象中心、命令式（BPMN）与声明式（DECLARE）过程挖掘并由 LLM 生成过程描述，最终经 IBM BOB 合成 LangGraph 多智能体应用；在 Commitizen 项目（2017 年 11 月至 2025 年 11 月，21,488 个事件、4,813 个对象）上得到五个角色智能体，三次冒烟测试均正确路由，十人用户研究显示知识模式、操作清晰度、人类参与中位数为 4，问责为 3，自主性仅为 2。

该工作提出 pm4aa 流水线，用 PyStack't 从 GitHub 仓库抽取对象中心事件日志、用 Conventional Commits 正则把提交映射为 SE 任务、用优先级规则把 589 个用户划分为八个角色，再对每个角色做对象中心、命令式（BPMN）与声明式（DECLARE）过程挖掘并由 LLM 生成过程描述，最终经 IBM BOB 合成 LangGraph 多智能体应用；在 Commitizen 项目（2017 年 11 月至 2025 年 11 月，21,488 个事件、4,813 个对象）上得到五个角色智能体，三次冒烟测试均正确路由，十人用户研究显示知识模式、操作清晰度、人类参与中位数为 4，问责为 3，自主性仅为 2。