LangSmith 是 LangChain 官方的可观测性平台，帮助你追踪 Agent 执行过程、监控性能、调试问题。

LangSmith 是什么

当 Agent 在后台运行时，你看不到它内部发生了什么——调用了哪些模型、执行了哪些工具、每一步消耗了多少 Token。LangSmith 解决了这个”黑盒”问题。

快速开始

注册与安装

$ pip install langsmith

在 smith.langchain.com 注册账号，获取 API Key，然后在 .env 中配置：

# .env 文件
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=lsv2_pt_your_key_here
LANGCHAIN_PROJECT=my-agent-project

自动追踪

from dotenv import load_dotenv
load_dotenv()  # LangSmith 配置会自动加载

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
from langchain.tools import tool

# 设置环境变量后，所有 Agent 执行都会自动追踪
# 无需额外代码！

@tool
def search_course(keyword: str) -> str:
    """搜索课程"""
    return f"搜索结果：{keyword} 相关课程"

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
    model=model,
    tools=[search_course],
    system_prompt="你是菜鸟教程 RUNOOB 的助手。",
)

# 这次执行会被自动记录到 LangSmith
result = agent.invoke({
    "messages": [HumanMessage(content="搜索 Python 课程")]
})

# 打开 https://smith.langchain.com 查看追踪记录
print("已完成，请到 LangSmith 控制台查看追踪详情")

查看追踪记录

在 LangSmith 控制台中，你可以看到每次 Agent 执行的完整轨迹：

• 执行时间线：模型调用 → 工具调用 → 模型再调用的完整时间线
• 输入/输出：每一步的输入消息和模型返回结果
• Token 用量：每次模型调用的 Token 消耗和费用估算
• 延迟分析：每一步的耗时分布
• 错误信息：如果某步出错，可以看到完整的错误堆栈

手动创建追踪

from langsmith import traceable

# 使用 @traceable 装饰器标记需要追踪的函数
@traceable
def process_user_query(query: str) -> dict:
    """处理用户查询（此函数会被单独追踪）"""
    # 预处理
    cleaned = query.strip().lower()
    # 调用 Agent
    result = agent.invoke({"messages": [HumanMessage(content=cleaned)]})
    return {
        "query": cleaned,
        "answer": result["messages"][-1].content,
    }

# 在 LangSmith 中会看到 process_user_query 作为一个独立步骤
result = process_user_query("  Python 课程推荐  ")
print(result["answer"])

常用配置

生产环境建议将 LangSmith 的追踪采样率设低一些（避免记录所有请求造成成本过高），只在需要调试时开启完整追踪。