LangChain представили CLI и набор «навыков» для AI-агентов. Это позволяет моделям самостоятельно управлять тестированием и отладкой, кардинально улучшая качество кода.
3 мин
Команда LangChain объявила о запуске двух важных инструментов: интерфейса командной строки (CLI) для платформы LangSmith и первой партии так называемых «навыков» (Skills). Это событие могло бы остаться незамеченным как рядовое техническое обновление, если бы не один поразительный факт. При использовании этих новых инструментов эффективность модели Claude Code в задачах по работе с экосистемой LangSmith выросла с 17% до 92%.
Фактически, разработчики создали среду, в которой AI-агенты могут самостоятельно взаимодействовать с инструментами отладки и оценки качества. Это шаг от простого написания кода к его автономному тестированию и улучшению самими нейросетями.
Разработка приложений на основе больших языковых моделей (LLM) становится все сложнее. Если раньше разработчику достаточно было отправить запрос (prompt) и получить ответ, то теперь мы строим сложные агентные системы, которые принимают решения, используют инструменты и выполняют многошаговые задачи.
Платформа LangSmith была создана именно для того, чтобы отслеживать логику работы таких приложений (трассировка), собирать данные и оценивать качество ответов. Однако до сих пор взаимодействие с этой платформой требовало ручного вмешательства программиста или написания сложного кода интеграции.
Проблема заключалась в том, что «кодирующие агенты» (coding agents) — AI-помощники, пишущие код в терминале, — плохо понимали, как правильно использовать инструменты отладки. Им не хватало контекста и инструкций, что приводило к низкому качеству работы в специфических доменах.
В центре релиза находятся два компонента:
LangSmith CLI (Command Line Interface). Это инструмент управления через терминал, созданный «агентно-ориентированным» (agent-native). Он дает AI-агентам прямые команды для выполнения любых действий внутри платформы: от скачивания логов работы до запуска экспериментов. Разработчики полагают, что в будущем циклы улучшения агентов будут управляться другими агентами, работающими исключительно в терминале.
Концепция «Навыков» (Skills). Это курируемые наборы инструкций и скриптов. Важная особенность — принцип «прогрессивного раскрытия» (progressive disclosure). Агент не загружает все знания сразу (что часто ухудшает работу модели из-за перегрузки контекста), а получает доступ к конкретному навыку только тогда, когда это необходимо для текущей задачи.
На данный момент представлено три базовых навыка:
Именно комбинация этих инструментов позволила модели Claude Code (Sonnet 4.6) совершить качественный скачок в бенчмарках, подняв уровень успешного выполнения задач с 17% до 92%.
Этот релиз демонстрирует важный сдвиг в парадигме разработки AI. Мы переходим от создания инструментов для людей к созданию инструментов для агентов.
Традиционные API и документация пишутся для человека. Но AI-модели воспринимают информацию иначе. «Навыки» от LangChain — это, по сути, стандартизированный способ передачи экспертизы от разработчиков платформы непосредственно к AI-агенту. Это решает проблему «галлюцинаций» при использовании сложных библиотек: вместо того чтобы угадывать названия функций, агент получает проверенный шаблон действий.
Особенно интересен цикл самосовершенствования. Теперь агент может:
Это замыкает цикл разработки (feedback loop) без участия человека на промежуточных этапах.
В ближайшем будущем стоит ожидать появления библиотек «навыков» для самых разных областей — от работы с базами данных до развертывания облачной инфраструктуры. Компании начнут выпускать не просто документацию для разработчиков, а готовые пакеты навыков для AI-агентов.
LangChain планирует расширять набор навыков и для своих открытых библиотек (LangGraph, DeepAgents). Если эта практика станет стандартом, порог входа в создание сложных AI-систем существенно снизится, так как большую часть рутинной работы по настройке и отладке возьмут на себя сами алгоритмы, вооруженные правильными инструкциями.
LangChain выпустили инструменты, позволяющие AI-агентам самостоятельно тестировать и отлаживать код, что повысило эффективность модели Claude Code в 5 раз.
Мы наблюдаем переход от создания документации для людей к созданию инструкций специально для AI-агентов, что становится новым стандартом в индустрии разработки ПО.
