推文

现在 nanochat 拥有了初步的身份认知，可以简单介绍自己和它的功能。比如，它知道自己是价值 800 美元的 nanochat d32，由我构建，并且不太擅长英语以外的语言，以及原因等等。

这种定制化完全通过合成数据生成来实现，并且我已经上传了一个新的示例脚本来演示这个过程。这可能有点难以理解，但默认情况下，大型语言模型不像动物一样，天生不具备个性和对自身能力的理解。它们不知道自己是什么，能做什么，不能做什么，知道什么，或者不知道什么。所有这些都必须显式地添加进去。具体做法是，让更强大的 LLM 模型生成合成对话（你只需要用文字告诉它对话应该是什么样子的），然后将这些对话混合到中期训练和/或 SFT 阶段。其中，最重要的挑战是确保生成的数据具有足够的熵和多样性。如果做得不好，即使设置了很高的温度，LLM 也会生成 1000 个非常相似的对话。我的脚本展示了一个添加多样性的简单示例 —— 比如，通过创建起始消息或主题列表，显式地从中抽样，并将它们作为少量样本示例添加到 prompt 中，以获取“灵感”。

我希望能玩得开心，所以 nanochat 现在叫我国王 Andrej Karpathy（哈哈），这只是为了说明大家可以完全自由地为 LLM 注入各种身份、知识或风格。希望这个方法对大家有所帮助，并能激发一些有趣的创意！

🔥 今天我们很高兴地宣布 LangChain 获得新融资（估值为 12.5 亿美元），以支持我们构建代理工程平台。

LangChain 在 3 年前作为一个单一的 Python 包开始。从那时起，我们已经发展成为一个全面的代理工程平台（LangGraph、LangSmith）。 我们的工具现在为 @Replit、@clay、@harvey、@TrustVanta、@Cloudflare、@Rippling、@Cisco、@Workday 等 AI 团队提供支持。

在过去的三年里，我们从 LangChain 迭代到 LangSmith 再到 LangGraph。我们的目标始终是明确未来代理的发展方向，然后构建工具来帮助实现它们。

虽然我们的旅程才刚刚开始，但我也想借此机会回顾过去三年以及该领域（以及我们的产品）的演变。 我在这里写了一些个人思考：blog.langchain.com/three-years-la…

我们还在这里分享更多关于将为我们未来提供动力的资金的信息：blog.langchain.com/series-b/?utm_… 。 感谢 @IVP、@benchmark、@sequoia、@CapitalG、@SapphireVC、@AmplifyPartners 和其他人对我们的信任。

今天我最兴奋的是，我们正在推出许多新功能和产品：LangSmith 中的洞察代理、LangChain 和 LangGraph 的 1.0 版本，以及一个无代码代理构建器。 我们将在整个星期内更多地讨论这些。

我们正经历一场变革性的技术变革，并且一直在寻找沿途的合作伙伴。 无论您对我们有反馈、想与我们合作还是想加入我们 - 请联系！

实用量子计算机再进一步！

框架的质量取决于 LLM 和代理运用它们的能力。

今天我们宣布 https://t.co/aporqgINxP，这是一个开源的“考试”平台，供 AI 通过并接受培训。很高兴看到开放模型和封闭模型展开nextjs.org/evals项目（如 @nuxt_js、@sveltejs、@turborepo、@aisdk 和生态系统的其他部分）提供评估。

我相信这会对开源和开放模型的未来产生重大影响。如果您有兴趣参与其中，请告诉我！

现在企业都在找 AI 落地场景，但实际有价值的落地却很少，不妨看看 Shopify 借助 AI Agent 来做智能化商品分类的案例，很有借鉴意义：

1. 充分利用了 AI 能力的优势：
- 擅长对数据结构化分析
- 擅长翻译
- 有丰富的专业领域知识
- 能高效处理海量的数据
- 能智能的判断非标准化任务的结果好坏

2. 同时他们又没有完全依赖 AI 生成的结果，而是让人类专家对最终结果进行判定

回头看文章解决的问题，就是电商领域的商品分类和检索问题，对电商有了解的的应该知道这活不好干：
- 一个是量大，商品数量是以亿万计的，对应的分类就是成千上万
- 需要专业知识才能设计好分类，人类专家不可能精通所有商品分类
- 一致性很难，同一分类可能有不同的名字，另外商家和平台对商品的分类也可能不一致
- 更新快，比如像电子产品，更新升级快，新的分类层出不穷，老的分类时间一长就无法适应新时代

那么 AI 是怎么解决这些难题的呢？

Shopify的解决方案不是用一个无所不知的AI模型来“包办一切”，而是组建了一个 AI 智能体小队，有一个明确的流程，每个智能体都有自己明确的分工。

第一步：结构化 Agent 分析
首先，一个“结构分析Agent”将商品的信息结构化，并分析检查：当前分类是不是合理，命名是不是统一，有没有新的分类或者更好的分类方式

第二步：产品驱动 Agent 分析
接着，第二个“产品驱动Agent”出场，主要任务是分析海量的、真实的商家商品数据，对比平台的分类标签和商家自己的分类标签是否一致。

这篇文章举的“MagSafe”例子就特别好。这个“店员”Agent发现，最近商家在卖手机壳、充电器、钱包时，频繁提到“MagSafe兼容”这个词，但Shopify的“标签库”里根本没有这一项。于是，它立刻提议：“我们应该增加一个‘MagSafe 兼容：是/否’的属性，方便顾客筛选！”

---

如果只是上面两个Agent，那还只能算是“自动化”，它还有两个更高级的角色，负责让系统变得“智能”。

第三步：AI 裁判筛选

当“产品驱动 Agent”提交了“增加MagSafe属性”的提案后，这个提案不会直接通过，而是会交给一个“AI裁判”——一个专门的“电子产品领域AI法官”。

这个“裁判”被训练过，拥有这个垂直领域的专业知识。它会评估这个提案：“这个提议靠谱吗？会不会和现有属性重复？（哦，MagSafe虽然是品牌词，但它类似蓝牙或Qi，已经成了一种技术标准）……批准！置信度93%。”

通过这种方式，Shopify确保了AI的提议是经过专业验证的，既快又准。

第四步：智能翻译官 Agent 发现等价关系

它解决了一个电商的终极难题：商家喜欢按自己的方式分类，但平台需要统一理解。

举个例子：
- A 商家很专业，他创建了一个专属分类叫 “高尔夫球鞋”。
- B 商家比较粗放，他把鞋子放在 “运动鞋” 分类下，然后添加了一个属性 “运动类型 = 高尔夫”。

对客户来说，这两种方式都应该能在搜索“高尔夫球鞋”时被找到。

Shopify的“智能翻译官”Agent就能7x24小时自主地分析数据，并发现这条关键的“等价关系”：
> 分类：“高尔夫球鞋” 等同于 分类：“运动鞋” + 属性：“运动类型 = 高尔夫”

这样的翻译很重要，这意味着，Shopify允许商家保持自己的分类灵活性，而平台系统（如搜索、推荐）又能“看懂”这背后其实是同一类商品。

----

这样实施下来效果是很不错的。

Shopify展示了一张图表：在“通讯设备”这个类目上，过去依赖人工需要“数年”才能完成的分类体系优化工作，现在用这套AI系统，只需要“几周”。

但这不只是关于速度。这是一种根本性的转变——从“被动修补”转向了“主动进化”。

这套系统不再是等问题（比如MagSafe）积累到一定程度再去解决，而是能主动地、持续地去发现和优化整个分类体系。

AI的最佳应用形态，往往不是一个“无所不能的超人”，而是一个“分工明确、配合默契的专家团队”。它不是来取代人类专家的，而是来“增强”他们的。

AI去处理海量的、繁琐的数据分析、模式识别和一致性检查，让人类专家能腾出手来，去做更高阶的战略决策和最终把关。这套“AI辅助进化”的思路，可能才是电商乃至更多复杂系统在未来保持活力的真正答案。

我们听到了大家的反馈。今天，我们正在发布 LangChain 和 LangGraph 的 1.0 版本（在 Python 和 Typescript 中），这是两个最受欢迎的代理框架。

• LangGraph：低级代理编排，内置持久执行、内存、流式传输和人工参与功能
• LangChain：改进了灵活性，提供 `create_agent` 模板以加速代理构建，使用中间件进行行为定制，并提供可在任何模型提供商之间使用的标准内容块。

我们还在 docs.langchain.com 统一了我们所有的文档（Python 和 TypeScript 语言，以及 `langchain`、`langgraph` 和 LangSmith）。我们知道这已经很久了！

阅读此博客中的完整细分：blog.langchain.com/langchain-lang…

Qwen3-VL 的收官之作：小模型和大模型，均为稠密模型

很高兴看到 Veo 3.1 相较于 Veo 3.0 在视频生成质量上实现了如此巨大的飞跃！高质量的视频生成必将开启各种激动人心的创意应用！

近几周，我们已经看到 AI 代理由于薄弱的身份基础设施而出现异常或泄露敏感数据 —— 这预示着当自主性超过信任时会发生什么。我们的系统认证方式与代理的实际行为方式之间存在结构性不匹配。

@KeycardLabs 正在为这个新世界构建缺失的信任结构。Keycard 发行动态的、身份绑定的、任务范围令牌：密码学 “密钥卡”，它携带可验证的代理身份、允许执行的操作以及为了谁而执行的证明。

我们正在投资 Keycard，为代理经济构建身份层。创始人 @ianlivingstone、@Matt_Creager 和 @jaredhanson 结合了在基础设施、开发者优先设计和在线身份方面的深厚专业知识。我们很高兴支持他们。