LangSmith 推出轨迹视图，让每次 Agent 会话一目了然

调试 Agent 的第一步往往是还原它究竟做了什么。对于单轮、短流程的 Agent，这个问题很容易回答；但对于跨越多轮对话、涉及工具调用、重试和子 Agent 切换的长时会话，完整的 Trace 树虽然包含所有执行细节，却可能让人在海量嵌套信息中迷失方向。LangSmith 此次推出的 Trajectories 功能，正是为了解决这一痛点——它将线程中的 Trace 数据投影为一条按时间排列的消息序列，每条消息只出现一次，让开发者能够先从行为路径入手，再按需深入具体的 Trace 细节。

Trajectories 的工作原理是对线程内所有 Trace 进行聚合，提取来自用户、AI 和工具的消息，并按首次出现的顺序排列，同时去除嵌套的运行结构。这意味着开发者可以像阅读一段对话记录一样扫描整个会话，快速找到 Agent 行为偏离预期的转折点，然后再跳转到对应的底层 Trace，查看精确的工具输入输出、时序和重试信息。这种「先定位行为，再检查执行」的调试流程，能够显著缩短排查时间。

Trajectories 同样降低了领域专家参与 Agent 审核的门槛。医疗、金融、客服等行业的业务专家往往最了解 Agent 的输出是否符合预期，但他们并不需要也不应该去解析复杂的嵌套 Trace 结构。通过将轨迹路由至标注队列，业务专家可以在可读的会话视图中直接打分、标记问题并提供反馈，这些反馈随后可用于优化提示词、调整 Agent 逻辑和改进评估器，形成持续改进的闭环。

在规模化评估方面，LangSmith 的在线评估器现已支持对 Trajectories 进行打分。相比在每个运行层级重复传入累积上下文，轨迹视图确保每条消息只出现一次，使评估器的输入更加简洁、信噪比更高。团队可以筛选出低分会话，将其路由至人工审核或保存为测试数据集，从而在生产流量中持续监控 Agent 的行为质量。

对于从事后训练工作的团队，Trajectories 还提供了一条将生产数据转化为训练样本的高效路径。一条完整的轨迹包含系统提示、用户消息、助手回复、工具调用及工具输出，完整呈现了 Agent 在整个会话中的决策过程——包括何时主动澄清问题、调用了哪些工具、如何利用工具结果进行推理。团队可以将高质量轨迹保存至数据集并导出，用于监督微调工作流，以生产行为作为模型学习的正例。随着越来越多团队将生产数据纳入 Agent 改进流程，Trajectories 正在成为这一工作流中的重要基础组件。

要点

• Trajectories 将多轮 Agent 会话的 Trace 数据聚合为按时间排列的可读消息序列，去除嵌套结构，帮助开发者先定位行为偏差，再深入执行细节，显著提升调试效率。
• 业务领域专家可通过轨迹视图直接审核 Agent 行为并提供反馈，无需解析复杂的 Trace 结构，降低了非技术人员参与 Agent 质量评估的门槛。
• LangSmith 在线评估器现支持对轨迹打分，每条消息仅出现一次，减少重复上下文噪声，使大规模生产流量的 Agent 行为监控更加精准。
• 高质量轨迹可直接导出为监督微调数据集，将生产会话中的真实 Agent 行为转化为后训练正例，为模型持续改进提供数据基础。
• Trajectories 已在 LangSmith 美国区所有套餐中上线，支持 LangChain、LangGraph、OpenAI、Claude、Codex、Claude Code、Cursor 等主流框架和编程 Agent。