Interrupt 2026: LangChain apresentou ferramentas para depuração de agentes AI em produção

LangChain realizou uma conferência de dois dias, Interrupt 2026, onde apresentou novas ferramentas para diagnóstico e depuração de agentes AI em produção, e também demonstrou exemplos reais da LinkedIn, Rippling, Cisco e 19 outras grandes empresas.

Três ferramentas para equipes de produção

Na conferência, LangChain anunciou três produtos desenvolvidos especificamente para equipes que implantam agentes em sistemas de produção:

• LangSmith Engine — uma plataforma para diagnóstico de erros. Mostra rastreamento completo da cadeia de chamadas: qual LLM deu a resposta errada, em qual etapa o contexto foi perdido, qual ferramenta retornou um resultado inesperado. Isso é crítico porque agentes reais consistem em dezenas de etapas, e um único erro na etapa 7 pode quebrar completamente o resultado.

• Sandboxes GA — um ambiente isolado separado para testes. Agora disponível publicamente (GA). As equipes podem experimentar novas versões de agentes, fazer deploy seguro de mudanças e fazer rollback sem risco de quebrar a produção. Especialmente útil para testes A/B: qual versão de LLM funciona melhor, qual prompt é mais eficaz.

• LangChain Labs — um espaço fechado para experimentar com recursos beta. Os desenvolvedores do LangChain postam ideias novas lá: novas estratégias de retry, métodos de cache de contexto, mecanismos de roteamento experimentais. As equipes de produção podem adotá-los cedo e fornecer feedback direto aos desenvolvedores.

Exemplos de desenvolvimento em produção

A conferência contou com 23 palestrantes — engenheiros sênior da LinkedIn, Rippling, Cisco e outras 19 empresas.

LinkedIn contou a história de um agente de recomendação que de repente começou a ignorar o filtro de geolocalização. O agente estava convencido de que um candidato vivendo na Índia era adequado para uma posição em San Francisco. O problema foi encontrado no LangSmith Engine: na etapa de filtragem, a ferramenta estava retornando dados em formato incorreto, e o LLM não percebia a contradição. Após a depuração, o agente funciona corretamente.

Rippling demonstrou como pilotaram o controle de custos para chamadas de API. Em um dia, um agente de produção custava à empresa $200 em chamadas de LLM. Após implementar cache de contexto e simplificar prompts, o custo caiu para $120 por dia. Em um mês, isso é uma economia de $2.400 em um único agente.

Cisco discutiu a principal dor de cabeça na depuração em arquitetura de microsserviços. Quando um agente consiste em uma dúzia de serviços diferentes (um chama CRM, outro chama REST API, um terceiro chama S3), e a cadeia quebra no serviço 6 — torna-se um verdadeiro pesadelo. Você precisa fazer log não apenas no LangSmith, mas também sincronizar rastreamentos entre serviços. A Cisco mostrou como resolveu esse padrão através do OpenTelemetry.

O que isso significa

Agentes AI em produção são uma nova fronteira em engenharia, e a pilha de monitoramento antiga não funciona para eles. LangChain está investindo em ferramentas de depuração porque isso se tornou um gargalo crítico para toda a indústria. Todos os vídeos da conferência estão disponíveis online sob solicitação.