Lyft сократила разработку AI-агентов со месяцев на недели с LangGraph и LangSmith

Lyft создала самообслуживаемую платформу для разработки AI-агентов, которые помогают в поддержке клиентов. Используя инструменты LangGraph и LangSmith, компания сократила время разработки агента с месяцев до недель, делая AI-инновации доступными для всех инженеров, а не только для узких специалистов по machine learning.

Проблема: разработка была узким местом

Раньше создание одного AI-агента для Lyft требовало несколько месяцев работы специализированной команды. Нужно было глубокое знание machine learning, интеграции с системами Lyft, настройка мониторинга и continuous improvement. Это делало процесс дорогим и медленным — новая идея от гипотезы до production занимала квартал или два. Компания обслуживает миллионы поездок в день, и поддержка клиентов — огромный объём работы. Каждый неверный ответ чат-бота может привести к неудовлетворённому клиенту или дополнительной нагрузке на support team. Команда осознала, что если давать возможность разработчикам самостоятельно создавать и тестировать агентов, то прирост скорости и качества будет значительный. Но для этого нужны были правильные инструменты, которые сделали бы разработку интуитивной.

Решение:

LangGraph для логики, LangSmith для видимости Lyft выбрала LangGraph для оркестрации логики агентов и LangSmith для мониторинга, отладки и тестирования. LangGraph позволяет описывать workflow агента как граф: узлы — отдельные шаги (поиск информации в базе, генерация ответа, проверка на уместность, передача специалисту), рёбра — условные переходы между ними. Это более понятно инженеру, чем набор коллбэков и асинхронного кода.

LangSmith добавляет видимость процесса: логирование всех шагов, метрики качества, A/B-тестирование промптов, быстрое отслеживание ошибок. Команда может сразу видеть, где агент запутался, какой промпт не сработал, и исправить его на лету без переразработки. Это критично, потому что при работе с LLM ошибки часто кроются в деталях формулировки.

Основные возможности платформы: Быстрая итерация на промптах и логике без перезагрузки сервиса Граф-подход упрощает добавление новых шагов в workflow Встроенный мониторинг экономит недели отладки и анализа логов Готовые шаблоны для типовых задач (поиск, ранжирование, маршрутизация) ## Практический результат: недели вместо месяцев После внедрения платформы время от идеи до агента в production упало с 8–12 недель до 1–2 недель. Теперь product manager может предложить идею, инженер за день-два собирает workflow в LangGraph, тестирует на реальном датасете через LangSmith, смотрит метрики, и агент готов к запуску. Работа сместилась с глубокого ML на проектирование логики, что доступнее для большей части команды.

Lyft уже запустила несколько агентов на платформе: от простых (автоматические ответы на FAQ) до сложных (triage системы, которые решают, какому спецу передать обращение, оценивают приоритет, находят подходящую документацию). Каждый работает с меньшей задержкой ответа и лучшей точностью, чем старые rule-based системы.

Что это значит AI-платформы становятся инструментом не только для

ML-инженеров, но и для всей инженерной команды. Когда инструменты просты для освоения и результаты видны сразу, скорость внедрения AI в бизнес растёт в разы. Для компаний масштаба Lyft с миллионами обращений в день это означает быстрые эксперименты с новыми AI-решениями, измерение реального impact и масштабирование тех, что работают.