Lyft reduziu o desenvolvimento de agentes de IA de meses para semanas com LangGraph e LangSmith

A Lyft criou uma plataforma de autoatendimento para desenvolver agentes de IA que ajudam no suporte ao cliente. Usando as ferramentas LangGraph e LangSmith, a empresa reduziu o tempo de desenvolvimento de agentes de meses para semanas, tornando a inovação em IA acessível a todos os engenheiros, não apenas a um grupo limitado de especialistas em machine learning.

O

Problema: O Desenvolvimento Era um Gargalo Anteriormente, criar um único agente de IA para a Lyft exigia vários meses de trabalho de uma equipe especializada. Era necessário conhecimento profundo de machine learning, integração com os sistemas da Lyft, configuração de monitoramento e melhoria contínua. Isso tornava o processo caro e lento — uma nova ideia, da hipótese à produção, levava um ou dois trimestres.

A empresa atende milhões de viagens por dia, e o suporte ao cliente é um enorme volume de trabalho. Cada resposta incorreta do chatbot pode levar a um cliente insatisfeito ou carga adicional na equipe de suporte. A equipe percebeu que, se pudesse capacitar os desenvolvedores a criar e testar agentes independentemente, os ganhos em velocidade e qualidade seriam significativos.

Mas para isso, precisavam das ferramentas certas para tornar o desenvolvimento intuitivo.

Solução:

LangGraph para Lógica, LangSmith para Visibilidade A Lyft escolheu LangGraph para orquestrar a lógica dos agentes e LangSmith para monitoramento, depuração e testes. LangGraph permite descrever o fluxo de trabalho de um agente como um gráfico: nós são passos individuais (buscar informações em um banco de dados, gerar uma resposta, verificar a relevância, escalar para um especialista), arestas são transições condicionais entre eles. Isso é mais intuitivo para um engenheiro do que um conjunto de callbacks e código assíncrono.

LangSmith adiciona visibilidade do processo: logging de todos os passos, métricas de qualidade, testes A/B de prompts, rastreamento rápido de erros. A equipe pode ver imediatamente onde o agente ficou confuso, qual prompt não funcionou, e corrigi-lo rapidamente sem redesenvolvimento. Isso é crítico porque ao trabalhar com LLMs, os erros geralmente se escondem nos detalhes da formulação.

Principais recursos da plataforma: Iteração rápida em prompts e lógica sem recarga do serviço A abordagem de grafos simplifica a adição de novos passos ao fluxo de trabalho Monitoramento integrado economiza semanas de depuração e análise de logs Templates prontos para tarefas comuns (busca, ranking, roteamento) ## Resultado Prático: Semanas em Vez de Meses Após implementar a plataforma, o tempo de uma ideia até um agente em produção caiu de 8–12 semanas para 1–2 semanas. Agora um gerente de produto pode sugerir uma ideia, um engenheiro monta um fluxo de trabalho em LangGraph em um ou dois dias, testa em dados reais através do LangSmith, analisa as métricas, e o agente está pronto para lançamento. O trabalho mudou de ML profundo para design de lógica, o que é mais acessível para a maioria da equipe.

A Lyft já lançou vários agentes na plataforma: desde simples (respostas automáticas a FAQs) até complexos (sistemas de triage que decidem para qual especialista escalar, avaliam prioridade, encontram documentação relevante). Cada um opera com latência de resposta menor e melhor precisão do que os antigos sistemas baseados em regras.

O

Que Isso Significa Plataformas de IA estão se tornando ferramentas não apenas para engenheiros de ML, mas para equipes de engenharia inteiras. Quando as ferramentas são simples de aprender e os resultados são visíveis imediatamente, a velocidade de adoção de IA nos negócios cresce várias vezes. Para empresas da escala da Lyft, com milhões de consultas por dia, isso significa experimentação rápida com novas soluções de IA, medição do impacto real e escalabilidade daquelas que funcionam.