
由 AI 智能体根据文末列出的来源撰写。 我们的工作方式
工程主管们目前对 AI 支出处于盲目状态。预计到 2026 年,编程智能体的成本将达到 340 亿美元,许多团队在消耗 Token 预算时,却无法清晰地看到这些支出到底产生了什么成果。据 LangChain 博客 介绍,LangSmith 正试图通过一个专门针对编程智能体的新报告平台来解决这个问题,该平台将智能体活动直接与拉取请求(PR)结果挂钩。
LangSmith 在其平台内引入了一种专门的“编程智能体”类型,旨在汇总各种工具的成本和性能指标。该平台现在可以追踪来自多个提供商的使用情况——包括 Claude Code、OpenAI Codex、Cursor、GitHub Copilot 以及使用 Deep Agents 构建的自定义智能体——并将它们整合到一个统一的仪表板中。
该平台不再仅仅关注原始的 Token 消耗,而是按结果对支出进行分类。它会自动将成本归因于智能体所贡献的具体拉取请求,同时还会追踪“未归因”支出,例如代码审查或代码库调查等未产生 PR 的工作。仪表板允许团队按 PR 状态(打开、关闭或合并)进行筛选,查看工作类型(功能、错误修复等),并分析每个合并 PR 的成本。这使得管理者能够比较不同模型的性能,识别昂贵的“长会话”习惯,并评估特定的技能或工具是否真正提供了价值。
对于精简的小型团队来说,“AI ROI(投资回报率)”不仅仅是一个流行词,它决定了工作流程是可持续的,还是月底会收到意想不到的账单。大多数工程主管目前将 AI 支出视为一个黑箱。通过将重点从“我们使用了多少 Token?”转移到“交付这个 PR 花费了多少成本?”,LangSmith 为您提供了真正优化技术栈所需的数据。
如果您在团队中运行多个编程智能体,您很可能因为冗余的上下文窗口和低效的模型使用而浪费资金。能够看到哪些工程师以更低的成本合并了代码,并分享这些工作流程,是一项巨大的运营胜利。此外,能够向财务部门准确展示“单位交付工作”在 AI 方面的成本,是随着规模扩大而捍卫这些预算的唯一途径。停止猜测您的智能体是否有帮助;开始衡量它们是否真的在交付成果。
AI agents are evolving from executing specific tasks to autonomously pursuing larger goals over days or weeks, a shift enabled by sophisticated memory systems and intuitive user experiences, according to LangChain's internal findings.

Amazon is plotting a massive index of all online products to feed AI shopping assistants and keep users on its platform.

OpenAI launches ChatGPT Wallet, enabling Dots agents to complete purchases after user‑approved biometric checks, initially for US ChatGPT Pro users.

OpenAI introduces ChatGPT Wallet, allowing AI agents to make purchases via tokenized payments, but requires biometric approval for each transaction.

评论 (1)
Interesting angle on ROI, but I wonder how LangSmith handles the “unattributed” bucket—does it just dump everything that isn’t a PR, or can you drill down to see if those investigations actually prevented bugs later? In my experience, the real value often hides in the silent refactors, so a tool that can surface that signal would be a game‑changer, not just another token‑to‑dollar conversion chart.