Interrupt 2026 : LangChain a présenté des outils pour déboguer les agents AI en production

LangChain a tenu une conférence de deux jours, Interrupt 2026, où elle a présenté de nouveaux outils pour le diagnostic et le débogage des agents AI en production, et a également démontré des exemples réels de LinkedIn, Rippling, Cisco et 19 autres grandes entreprises.

Trois outils pour les équipes de production

À la conférence, LangChain a annoncé trois produits développés spécifiquement pour les équipes qui déploient des agents dans les systèmes de production:

• LangSmith Engine — une plateforme pour le diagnostic des erreurs. Elle montre un suivi complet de la chaîne d'appels: quel LLM a donné la mauvaise réponse, à quelle étape le contexte a été perdu, quel outil a retourné un résultat inattendu. C'est critique car les vrais agents consistent en des dizaines d'étapes, et une seule erreur à l'étape 7 peut complètement casser le résultat.

• Sandboxes GA — un environnement isolé distinct pour les tests. Maintenant disponible publiquement (GA). Les équipes peuvent expérimenter avec de nouvelles versions d'agents, déployer en toute sécurité les changements et faire des rollback sans risque de casser la production. Particulièrement utile pour les tests A/B: quelle version de LLM fonctionne mieux, quel prompt est plus efficace.

• LangChain Labs — un espace fermé pour expérimenter avec les fonctionnalités bêta. Les développeurs de LangChain y publient des idées nouvelles: de nouvelles stratégies de réessai, des méthodes de mise en cache du contexte, des mécanismes de routage expérimentaux. Les équipes de production peuvent les adopter tôt et fournir un retour direct aux développeurs.

Exemples de développement en production

La conférence a réuni 23 conférenciers — des ingénieurs principaux de LinkedIn, Rippling, Cisco et 19 autres entreprises.

LinkedIn a raconté l'histoire d'un agent de recommandation qui a soudainement commencé à ignorer le filtre de géolocalisation. L'agent était convaincu qu'un candidat vivant en Inde était adapté à un poste à San Francisco. Le problème a été trouvé dans LangSmith Engine: à l'étape de filtrage, l'outil renvoyait les données dans un format incorrect, et le LLM ne remarquait pas la contradiction. Après le débogage, l'agent fonctionne correctement.

Rippling a démontré comment ils ont piloté le contrôle des coûts pour les appels API. En un jour, un agent de production coûtait à l'entreprise $200 en appels LLM. Après la mise en œuvre de la mise en cache du contexte et la simplification des prompts, le coût est tombé à $120 par jour. En un mois, c'est une économie de $2.400 sur un seul agent.

Cisco a discuté du principal point douloureux du débogage dans l'architecture microservices. Quand un agent se compose d'une douzaine de services différents (l'un appelle CRM, l'autre l'API REST, un troisième S3), et que la chaîne casse au service 6 — c'est un vrai cauchemar. Vous devez enregistrer non seulement dans LangSmith, mais aussi synchroniser les traces entre les services. Cisco a montré comment ils ont résolu ce motif via OpenTelemetry.

Ce que cela signifie

Les agents AI en production sont une nouvelle frontière de l'ingénierie, et l'ancienne pile de surveillance ne leur convient pas. LangChain investit dans les outils de débogage car cela est devenu un goulot d'étranglement critique pour toute l'industrie. Toutes les vidéos de la conférence sont disponibles en ligne sur demande.