Se você já construiu sistemas de IA Generativa com LangChain ou LangGraph, provavelmente esbarrou em uma variável de ambiente chamada LANGSMITH_TRACING. Bastou ativá-la e, de repente, cada chamada ao modelo, cada ferramenta invocada e cada decisão do agente aparece em uma interface web, organizada em uma árvore navegável. Essa experiência de “tracing sem esforço” é a porta de entrada do LangSmith e foi ela que transformou um projeto lançado em 2023 em uma das plataformas de observabilidade e avaliação de LLMs mais usadas do mundo.

Mas o LangSmith de 2026 é bem maior do que tracing. Ao longo dos últimos meses, a LangChain reposicionou o produto como uma “plataforma de engenharia de agentes” que cobre o ciclo completo: observar, avaliar, versionar prompts e contexto, implantar agentes, executar código em sandboxes, governar chamadas a modelos e, na fronteira mais ambiciosa, deixar que um agente autônomo encontre e corrija os problemas dos seus próprios agentes.

Neste post, que complementa nosso artigo sobre o Langfuse, você vai entender o que é o LangSmith, como ele evoluiu, o que cada módulo faz, como começar na prática, quanto custa e em que situações ele é a melhor escolha.

O Que é o LangSmith?

O LangSmith é a plataforma da LangChain para desenvolver, depurar, avaliar, implantar e monitorar aplicações e agentes baseados em LLMs. Apesar da origem, ele é independente de framework: funciona nativamente com LangChain, LangGraph e Deep Agents, mas também com o SDK da OpenAI, o SDK da Anthropic, o Vercel AI SDK, LlamaIndex, código próprio e qualquer fonte compatível com OpenTelemetry.

Em 2026, a LangChain organiza o LangSmith em três grandes blocos:

1. Melhoria de agentes: Observabilidade (tracing), Avaliação (datasets, experimentos, avaliadores online e offline) e o LangSmith Engine, um agente autônomo que analisa traces e propõe correções.
2. Infraestrutura de agentes: Deployment (o antigo LangGraph Platform), Sandboxes (ambientes isolados para execução de código gerado por agentes) e LLM Gateway (governança de custo e dados nas chamadas a modelos).
3. Agentes sem código: LangSmith Fleet, um espaço de trabalho para que áreas de negócio criem, compartilhem e administrem agentes sem programar.

Diferentemente do Langfuse, o LangSmith é um produto proprietário. Existe um plano gratuito generoso para uso individual, mas o código não é aberto e o self-hosting é reservado a contratos Enterprise.

Um Pouco de História: Do Framework à Plataforma

A LangChain nasceu em outubro de 2022 como um projeto open-source de Harrison Chase, que rapidamente se tornou o framework mais popular para aplicações com LLMs. A empresa foi fundada por Chase e Ankush Gola em San Francisco, recebeu 10 milhões de dólares de seed da Benchmark em abril de 2023 e, uma semana depois, uma Series A de 25 milhões liderada pela Sequoia, com valuation de 200 milhões de dólares.

O LangSmith foi anunciado em julho de 2023, ainda em beta fechado, para resolver o problema mais citado pelos usuários do framework: era fácil montar um protótipo, mas quase impossível entender por que ele falhava. A disponibilidade geral veio no início de 2024 e a partir daí o produto passou a concentrar a monetização da empresa.

Dois marcos definem o momento atual. Em outubro de 2025, a LangChain fechou uma Series B de 125 milhões de dólares liderada pela IVP, com valuation de 1,25 bilhão de dólares e participação de investidores estratégicos como CapitalG (Alphabet), Datadog, Databricks, ServiceNow, Workday e Cisco. No mesmo mês, LangChain 1.0 e LangGraph 1.0 chegaram à disponibilidade geral, com o LangSmith posicionado como a camada integrada de avaliação e tracing.

O segundo marco foi a conferência Interrupt 2026, realizada em San Francisco em 13 e 14 de maio, na qual a empresa lançou de uma só vez o LangSmith Engine, o SmithDB, os Managed Deep Agents, o Context Hub, o LLM Gateway e a disponibilidade geral dos Sandboxes. A empresa, que tinha cerca de 200 funcionários no início de 2026, passou de 400 em julho.

Observabilidade: A Base de Tudo

O modelo mental do LangSmith gira em torno de runs: cada unidade de trabalho rastreada (uma chamada a LLM, uma ferramenta, um retriever, uma função de cadeia) é um run com tipo, entradas, saídas, latência, tokens, custo e metadados. Runs se aninham em uma árvore, e a raiz dessa árvore é o trace. Traces de uma mesma conversa são agrupados em threads, e tudo é organizado em projetos.

Algumas capacidades que se destacam na versão atual:

– Messages View: uma visualização que reconstrói conversas multi-turno de forma legível, identificando a conversa principal e separando guardrails de middleware e conversas laterais de subagentes. Funciona com 11 integrações diferentes, do OpenAI Agents SDK ao Claude Agent SDK.

– Colunas promovidas de metadados: valores como `customer_id` ou `region` podem virar colunas na tabela de traces, compartilhadas por todo o time.

– Insights: clusterização automática de traces para revelar padrões de uso e categorias de falha sem precisar ler cada um.

– Dashboards customizados e alertas: métricas de latência, tokens, custo e scores com percentis P50 a P99, alertas com preview e integração com Slack e webhooks.

– LangSmith Chat: um assistente dentro da interface que lê traces, explica por que um modelo se comportou de determinada forma (inclusive lendo o system prompt), cria gráficos e preenche configurações de avaliadores a partir de falhas encontradas.

– Servidor MCP e CLI: agentes de código como Claude Code e Cursor podem buscar runs, threads e issues via Model Context Protocol; a CLI langsmith vem pré-instalada nos Sandboxes.

Suporte a OpenTelemetry é nativo, o que permite enviar spans de aplicações em qualquer linguagem e ainda assim ter renderização adequada (traces do Vercel AI SDK e até do Copilot Chat do VS Code são reconhecidos e organizados automaticamente).

Avaliação: Onde o LangSmith Brilha

Se há uma área em que o LangSmith é considerado referência, é avaliação. A estrutura é clássica: datasets contêm exemplos (entradas e saídas de referência, com suporte a splits e anexos), experimentos rodam sua aplicação contra o dataset e avaliadores atribuem scores. A comparação entre experimentos é feita lado a lado, com agrupamento por metadados e repetições para lidar com a variância dos modelos.

Os tipos de avaliador disponíveis em 2026:

– LLM-as-a-judge: configurável pela interface, pela API ou pela CLI, com suporte a few-shot a partir de correções humanas.

– Avaliadores em código: funções Python ou TypeScript executadas em sandbox, com tempo suficiente para importar bibliotecas pesadas como scikit-learn.

– Avaliadores de threads (multi-turno): avaliam a conversa inteira, não apenas um run, com um botão de teste contra uma thread real antes de salvar a regra.

– Tuned Evaluators: lançados em agosto de 2026, são avaliadores gerenciados pela LangChain e ajustados para detectar categorias específicas de problema. O primeiro, “Perceived Error”, identifica quando o usuário percebeu um erro do agente, mesmo que o agente não tenha falhado tecnicamente.

Avaliação online acontece por meio de automações: regras com filtros e taxa de amostragem que aplicam avaliadores a runs de produção, disparam webhooks ou enviam itens para filas de anotação, nas quais especialistas revisam runs ou threads inteiras com rubricas, validação por regex e atalhos de teclado. Existe ainda a avaliação pairwise, na qual o anotador compara duas respostas.

Para quem trabalha com CI/CD, o LangSmith se integra a pytest e vitest, permitindo que uma suíte de avaliação rode a cada pull request e bloqueie regressões antes do merge.

Prompts, Playground e Context Hub

A gestão de prompts do LangSmith funciona como um repositório com commits: cada prompt tem histórico, tags de commit (prod, staging), readme e pode ser puxado pelo SDK em tempo de execução. O Playground permite testar prompts contra dezenas de modelos e provedores (OpenAI, Anthropic, Gemini, Bedrock, Vertex AI, Databricks e endpoints compatíveis), rodar um dataset inteiro e ver os scores dos avaliadores na mesma tela.

A novidade de 2026 é o Context Hub, lançado na Interrupt. A premissa é que agentes modernos são definidos não só por prompts, mas por arquivos de contexto: AGENTS.md, skills, políticas, exemplos, memórias. Esses arquivos mudam com frequência e são editados por pessoas fora da engenharia (produto, suporte, compliance). O Context Hub traz versionamento, tags por ambiente, comentários e webhooks para esse material, sem obrigar todo mundo a passar pelo GitHub. Managed Deep Agents leem seu contexto diretamente de um repositório do Context Hub.

LangSmith Engine: O Agente Que Corrige Seus Agentes

O anúncio mais comentado da Interrupt 2026 foi o LangSmith Engine, disponível em beta público. A ideia é automatizar o ciclo que hoje consome horas de engenheiros: ler traces, encontrar padrões de falha, escrever avaliações e criar correções.

O Engine observa continuamente os traces de produção de um projeto, agrupa falhas em issues nomeadas (com severidade, tags e evidências), diagnostica a causa raiz contra o código do repositório conectado e, para cada issue, pode:

  • Abrir um pull request no GitHub com uma correção de código ou de prompt, apresentando o diff real.
  • Criar um avaliador online específico para aquele problema, para que recorrências sejam detectadas automaticamente.
  • Adicionar os traces com falha ao dataset de avaliação offline como exemplos de regressão.

Desde o lançamento, o Engine ganhou sincronização com o Linear, verificação de afirmações do agente contra as evidências do trace (para detectar respostas sem fundamento), estados de “corrigindo” e “observando” com alertas no Slack, e uma atualização em agosto de 2026 que, segundo a LangChain, mais do que dobrou a taxa de detecção de issues enquanto reduziu o consumo de créditos em 40%. O LangSmith Chat consegue ler o quadro de issues, priorizá-las, reexecutar os runs citados para confirmar que a falha é real e abrir o PR a partir do branch de correção.

Vale a ressalva: o Engine é cobrado por consumo (em Usage Credits), tem limite mensal de gastos configurável e ainda está em beta. Mas ele representa a direção para a qual toda a categoria caminha.

SmithDB: Um Banco de Dados Só Para Traces

Assim como o Langfuse, o LangSmith descobriu que traces de agentes são um problema de dados. A resposta da LangChain, porém, foi diferente: em vez de adotar um banco analítico existente, a empresa construiu o SmithDB, apresentado na Interrupt 2026.

O SmithDB é escrito em Linguaem Rust sobre Apache DataFusion e o formato Vortex, com armazenamento de objetos para os dados duráveis, um pequeno metastore Postgres e serviços de ingestão, consulta e compactação sem estado, que escalam horizontalmente. A LangChain reporta ganhos de até 15 vezes nas experiências centrais do produto, com carregamento de árvore de trace em 92 ms (P50) e de run individual em 71 ms.

Curiosamente, o LangSmith está migrando para fora do ClickHouse, exatamente o banco que a Langfuse adotou e que acabou adquirindo a concorrente. O changelog de agosto de 2026 registra “a deprecação contínua do ClickHouse” e marca os endpoints legados de consulta de runs com data de desativação em 31 de janeiro de 2027. Para o usuário, a mudança é transparente, mas quem integra via API deve seguir o guia de migração para as rotas v2.

Deployment, Sandboxes, Gateway e Fleet

Quatro módulos ampliam o LangSmith para além da observabilidade:

– Deployment: o antigo LangGraph Platform, agora com deployments serverless (um gratuito no plano Plus), previews por pull request, crons, rollback com variáveis de ambiente versionadas e o LangGraph Studio para depuração visual. Os Managed Deep Agents, em beta público desde agosto de 2026, oferecem um runtime hospedado via API para agentes de longa duração com threads duráveis, checkpointing e human-in-the-loop.

– Sandboxes: ambientes de execução em microVMs isoladas, com sistema de arquivos, shell, gerenciador de pacotes, snapshots com tags no estilo Docker, forks copy-on-write, pausa automática e um proxy de autenticação que injeta credenciais na rede sem expô-las ao agente.

– LLM Gateway: um proxy entre seus agentes e os provedores de modelos que impõe limites de gasto por organização, workspace, usuário ou chave de API, redige PII e segredos antes que saiam do ambiente, faz fallback entre modelos e registra cada evento de política junto ao trace. A configuração é uma troca de `base_url`. Existe a opção de usar “Gateway Credits” para acessar modelos hospedados sem chave própria de provedor.

– Fleet: o antigo Agent Builder, rebatizado em março de 2026. Permite que qualquer pessoa da empresa crie agentes por conversa, com memória, integrações MCP, gatilhos automáticos e subagentes, e que administradores controlem permissões, credenciais e identidade. Vem com cinco agentes prontos (código, GTM, assistente executivo, pesquisador competitivo e gestor de conteúdo para X) e acesso a Sandboxes.

Na Prática: Seu Primeiro Trace em Python

Se a sua aplicação usa LangChain, LangGraph ou Deep Agents, o tracing exige zero linhas de código. Basta definir as variáveis de ambiente (a chave é criada em smith.langchain.com, em Settings, API Keys):

Para código que não usa LangChain, o SDK oferece o decorator @traceable e wrappers para os SDKs dos provedores:

O trace pipeline-rag aparece no projeto com dois runs filhos, e o run de LLM traz modelo, tokens, custo e latência. Para agrupar conversas em threads, basta passar langsmith_extra={“metadata”: {“session_id”: “…”}} na chamada da função decorada.

Criar um dataset e rodar um experimento com avaliador em código é igualmente direto:

O resultado é um experimento com link na interface, comparável a qualquer versão futura do pipeline.

LangSmith ou Langfuse?

A pergunta é inevitável e a resposta depende do perfil da equipe de IA Generativa da empresa. Um resumo objetivo:

Em termos práticos: se o seu time constrói em LangChain ou LangGraph, quer implantar agentes na mesma plataforma em que os observa e valoriza o ciclo automatizado do Engine, o LangSmith é a escolha mais forte do mercado. Se você precisa de open-source, de rodar tudo dentro da sua infraestrutura sem contrato enterprise, de independência de framework ou de custo previsível em alto volume, o Langfuse tende a vencer.

Muitas equipes, aliás, usam os dois: LangSmith durante o desenvolvimento, pela integração sem atrito com o LangGraph Studio, e Langfuse em produção, por questões de soberania de dados. Como ambos falam OpenTelemetry, essa combinação é viável.

Por Que Isso Importa Para Você?

Para profissionais de IA Generativa, dominar o LangSmith tem um valor adicional além da observabilidade: ele é a porta de entrada para o ecossistema LangChain completo, que continua sendo o mais adotado do mercado para agentes. Três motivos concretos:

  1. Avaliação virou competência básica. Datasets, experimentos, LLM-as-a-judge e avaliação em CI/CD deixaram de ser tema avançado. Quem sabe estruturar um processo de avaliação é quem consegue defender, com números, que uma mudança em prompt ou modelo melhorou o produto.
  2. Agentes em produção exigem infraestrutura. Sandboxes, gateways com limite de gasto, versionamento de contexto e runtimes gerenciados são as peças que separam demonstrações de sistemas confiáveis. Conhecer essas peças, mesmo que você não use todas, muda a forma como você desenha soluções.
  3. O futuro é o ciclo fechado. O Engine mostra para onde a categoria caminha: traces de produção alimentando avaliações, avaliações alimentando correções, correções validadas por experimentos. Entender esse ciclo hoje é entender como times de IA vão trabalhar nos próximos anos.

Conclusão

O LangSmith saiu de uma ferramenta de tracing para usuários de LangChain para uma plataforma que pretende cobrir todo o ciclo de vida de agentes, da primeira linha de código ao pull request aberto por um agente que corrige outro agente. A aposta em infraestrutura própria (SmithDB), em governança (LLM Gateway, Context Hub) e em automação (Engine) mostra uma empresa que quer ser o sistema operacional dos agentes corporativos, com o preço e o acoplamento que essa ambição implica.

Para quem constrói no ecossistema LangChain, é difícil encontrar algo mais completo. Para todos os outros, vale conhecer bem o que ele faz, nem que seja para saber exatamente o que exigir da alternativa escolhida.

LangFuse pode ser encontrado nas Formações: Formação Generative AI Engineer 4.0, Formação Forward Deployed Engineer 4.0, Formação AI Software Engineer 4.0, Formação Agentic AI Engineer 4.0 e Formação AI Automation Engineer 4.0, aqui mesmo, na DSA.

Equipe DSA

Referências:

Site Oficial do LangSmith

LangSmith Observability