说实话，构建 AI 智能体（Agents）确实是件挺有趣的事儿，但调试它们就没那么有趣了。随着我们不断突破智能体 AI 的边界，系统的复杂程度也在呈指数级增长。我们都经历过这种时刻：盯着一个包含数百个步骤的追踪记录（Trace），试图弄清楚智能体为什么会产生幻觉，或者为什么选错了工具。
集成在 LangSmith 中的Polly是一款 AI 驱动的助手，旨在帮助开发者调试、分析并构建更好的智能体。它是智能系统之上的一个元智能层（Meta Layer）——通俗地说，它是一个**“为智能体服务的智能体”**。
为什么我们需要“为智能体服务的智能体”？
从简单的 LLM 链到自主智能体的转变，引入了一类手动检查无法高效解决的新型调试挑战。LangChain 发现，由于以下三个因素，智能体的工程化难度从根本上更高：
- 庞大的系统提示词（System Prompts）：指令往往长达数百甚至数千行，这使得准确定位哪一句话导致了行为偏差变得几乎不可能。
- 深层的执行追踪（Deep Execution Traces）：单个智能体运行时，会跨多个步骤生成数千个数据点，海量的日志让人工审核不堪重负。
- 长上下文状态：多轮对话可能持续数小时或数天。调试器需要理解整个交互历史，才能诊断出智能体为何做出某项决策。
Polly 的出现解决了这些问题。它充当了一个理解智能体架构的伙伴，让你无需手动扫描日志，而是通过自然语言询问关于系统性能的问题。
如何配置 Polly？
Polly 是 LangSmith 的内置功能，因此你不需要直接安装 Polly。相反，你只需在应用中启用 LangSmith 追踪功能。一旦智能体的数据流入平台，Polly 就会自动激活。
第一步：安装 LangSmith
首先，确保环境中安装了 LangSmith SDK。在终端运行以下命令：pip install -U langsmith
第二步：配置环境变量
从 LangSmith 设置页面获取 API 密钥，并设置以下环境变量。这会告知应用开始将追踪记录上传到 LangSmith 云端。
import os# 启用追踪（Polly 查看数据的前提）os.environ["LANGSMITH_TRACING"] = "true"# 设置 API 密钥os.environ["LANGSMITH_API_KEY"] = "ls__..."# 可选：将追踪记录组织到特定项目中os.environ["LANGSMITH_PROJECT"] = "my-agent-production"第三步：运行智能体
如果你使用的是 LangChain，追踪是自动完成的。如果你直接使用 OpenAI SDK，请包装（Wrap）你的客户端以实现可视化。
from openai import OpenAIfrom langsmith import wrappers# 包装 OpenAI 客户端以自动捕获输入/输出client = wrappers.wrap_openai(OpenAI())# 像往常一样运行智能体response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": "分析最新的第三季度财务报告。"}])完成上述步骤后，导航至 LangSmith UI 中的追踪（Trace）视图或线程（Threads）视图，你会在右下角看到Polly 图标。
Polly 的核心功能
Polly 不仅仅是一个简单的聊天机器人外壳，它与 LangSmith 基础设施深度集成，可执行以下三大关键任务：
任务 1：深度追踪调试
在“追踪视图”中，Polly 会分析单个智能体的执行情况，找出埋藏在冗长运行过程中的微妙故障模式。你可以提出特定的诊断问题，例如：
- “智能体犯错了吗？”
- “问题具体出在哪里？”
- “为什么智能体选择了这种方法而不是另一种？”
Polly 不只是罗列信息，它还能识别智能体行为模式，发现人工容易忽略的问题。
任务 2：线程级上下文分析
调试状态非常困难，尤其是当智能体前十轮表现正常，却在第十一轮失败时。Polly 可以访问整个对话线程的信息，从而识别长期模式、总结交互，并精准定位智能体是在何时、因何丢失了关键上下文。
你可以问：
- “总结多次交互中发生了什么。”
- “识别智能体随时间变化的行为模式。”
- “找出智能体失去重要上下文的时间点。”
这对于调试那些“原本运行良好，突然莫名出错”的棘手问题非常有效。
任务 3：自动化提示词工程
对于开发者来说，最强大的功能莫过于 Polly 扮演专家级提示词工程师的能力。系统提示词是任何深度智能体的大脑，Polly 可以协助进行迭代：
- 用自然语言描述期望的行为。
- Polly 会更新提示词、定义结构化输出 Schema、配置工具定义。
- 在不丢失关键指令的前提下优化提示词长度。
Polly 的智能建立在 LangSmith 强大的追踪基础设施之上，该设施会捕获智能体的所有操作。它摄取三个层面的数据：
- 运行（Runs）：单个步骤，如 LLM 调用和工具执行。
- 追踪（Traces）：智能体的单次完整执行，由树状结构的“运行”组成。
- 线程（Threads）：完整的对话，包含多次“追踪”。
由于 LangSmith 已经记录了每一步的输入、输出、延迟和 Token 消耗，Polly 拥有关于智能体世界的完美信息。它不需要猜测发生了什么，而是基于事实进行分析。
Polly 代表了 AI 开发生命周期的一次重大转变。它意识到，随着智能体变得更加自主和复杂，我们维护它们的工具也必须同步进化。通过将调试过程从枯燥的手动日志检索转变为自然语言对话，Polly 让开发者能够减少在错误排查上的精力消耗，转而关注架构层面的改进。
拥有一个理解系统状态的智能伙伴不仅仅是为了方便，也是开发下一代可靠、生产级智能体的必经之路。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
