LangSmith führt Trajectories ein: Chronologische Session-Ansicht für Agenten

LangSmith führt Trajectories ein: Chronologische Session-Ansicht für Agenten

LangSmith hat heute das Feature „Trajectories“ gestartet. Es handelt sich um eine chronologische, konversationelle Ansicht einer Agenten-Session, die Nachrichten von Menschen, KI und Tools über den Hauptagenten und alle Subagenten hinweg aggregiert und in der Reihenfolge ihres ersten Auftretens anzeigt. Der Zweck: Fehlerdiagnose, Feedback und kontinuierliche Verbesserung erleichtern. [Herstellerangabe] Nach Angaben des Herstellers finden Entwickler mit Trajectories die Ursache von Fehlern schneller, weil die Ansicht den geordneten Pfad zeigt, den ein Agent während einer Session genommen hat – bevor man in den vollständigen Trace eintaucht, um Details zu prüfen. [Herstellerangabe] Fachexperten können das Agentenverhalten in einem lesbaren Format überprüfen, ohne verschachtelte Traces parsen zu müssen. [Herstellerangabe] Zudem lassen sich Threads jetzt als Trajectories betrachten, mit Online-Evaluatoren bewerten und an Annotations-Warteschlangen oder Datasets weiterleiten. Für kurze, einstufige Workflows war die Antwort auf die Frage „Was hat der Agent tatsächlich getan?“ meist leicht zu finden. Bei länger laufenden Agenten mit vielen Nutzer-Turns, Tool-Aufrufen, Wiederholungen und Subagenten-Übergaben wird das schnell unübersichtlich. Genau hier setzt die neue Ansicht an: Sie macht den gesamten Session-Verlauf auf einen Blick erfassbar, ohne dass man sich durch die verschachtelte Trace-Hierarchie arbeiten muss.

Von Traces zu Threads zu Trajectories: Die neue Abstraktionsebene

In LangSmith wird jede Arbeitseinheit eines Agenten als Run aufgezeichnet – etwa ein Modellaufruf, ein Tool-Aufruf oder eine Informationsabfrage. Wer mit OpenTelemetry vertraut ist, kann sich einen Run als Span vorstellen. Die Runs einer einzelnen Operation werden zu einem Trace zusammengefasst. Ein Trace ist also die Sammlung aller Runs, die zu einem einzigen Vorgang gehören: Wenn eine Nutzeranfrage einen Agenten auslöst, der ein Modell aufruft, ein Tool ausführt und dann das Modell erneut aufruft, gehören alle diese Runs zum selben Trace. Traces aus Multi-Turn-Sessions können wiederum als Thread verknüpft werden. Ein Thread gruppiert die Traces einer Session und behält deren verschachtelte Struktur bei. [Herstellerangabe] Eine Trajectory ist eine weitere Möglichkeit, diese Daten zu strukturieren und zu visualisieren: Sie flacht die gesamte Session in eine geordnete Liste von Nachrichten ab, die den Pfad des Agenten von Anfang bis Ende zeigt. Während ein Thread die verschachtelten Traces beibehält, macht eine Trajectory sie für Menschen lesbar, indem sie die Hierarchie auflöst und die Nachrichten in chronologischer Reihenfolge präsentiert. Der vollständige Trace bleibt der richtige Ort, um Ausführungsdetails zu prüfen – aber er enthält oft zu viele Details, wenn man den Pfad des Agenten verstehen will. [Herstellerangabe] Jeder Trace ist auf maximal 25.000 Runs begrenzt; sobald diese Grenze erreicht ist, lehnt LangSmith weitere Runs für diesen Trace ab. Die Trajectory ergänzt damit die bestehenden Trace- und Thread-Strukturen um eine eigene Visualisierungsebene, die den Fokus auf den Gesamtverlauf statt auf einzelne Ausführungsschritte legt.

Die Trajectory-Ansicht in der UI: Turns, Details und Metadaten

Die LangSmith-UI bietet drei Ansichten: Trajectory, Turns und Details. [Herstellerangabe] In der Trajectory-Ansicht wird jeder Turn als einzelner Block dargestellt, der die Modellantwort, die von ihr ausgelösten Tool-Aufrufe und die Ergebnisse dieser Tools enthält. [Herstellerangabe] Die Metadatenzeile jedes Blocks zeigt Token-Nutzung, Kosten, Modellname und einen Link zum entsprechenden LLM-Call. Der Zweck dieser Ansicht besteht darin, die gesamte Trajectory zu scannen und unerwartetes Verhalten zu identifizieren – etwa ein schlechtes Tool-Ergebnis, einen unerwarteten Subagenten-Handoff oder einen Latenzanstieg – bevor man in einen spezifischen Run drillt. [Herstellerangabe] Die Turns-Ansicht bietet eine Zusammenfassung pro Turn als Karte mit Ein- und Ausgaben und Auf-/Zuklapp-Funktion; sie eignet sich für einen strukturellen Überblick ohne vollständige Konversationsdarstellung. [Herstellerangabe] Die Details-Ansicht dient als Debugging-Ebene, in der man einen bestimmten Run untersucht, um Eingaben, Ausgaben, Timing, Token-Zahlen, Fehler und Metadaten zu prüfen. Die Trajectory-Ansicht ist damit der Einstiegspunkt: Sie zeigt, wo man suchen muss, bevor die Detailarbeit beginnt. Über die Tastenkürzel „T“ und „D“ lässt sich schnell zwischen Trajectory- und Details-Ansicht wechseln.

Thread-Instrumentierung und Aufbewahrung: Praktische Voraussetzungen und Grenzen

Um Traces zu einem Thread zu verknüpfen und damit Trajectories sehen zu können, muss ein spezieller Metadaten-Schlüssel mit einer eindeutigen ID übergeben werden. [Herstellerangabe] Empfohlen wird UUID v7. [Herstellerangabe] Das LangSmith SDK exportiert einen uuid7-Helfer, verfügbar in Python ab Version 0.4.43 und in JavaScript/TypeScript ab Version 0.3.80. [Herstellerangabe] Ohne Thread-Instrumentierung erscheinen Traces als einzelne Runs, und die Turns-Ansicht ist nicht verfügbar. Bei der Datenaufbewahrung gilt: Die Basis-Aufbewahrung beträgt 14 Tage, die erweiterte Aufbewahrung 180 Tage (Stand 14. September 2026). [Herstellerangabe] Enterprise-Kunden können die erweiterte Aufbewahrungsdauer für SaaS-Kunden auf maximal 180 Tage anpassen. Hier besteht ein Widerspruch: In einer anderen Quelle wird eine long-lived-Aufbewahrungsdauer von 400 Tagen erwähnt, vermutlich für Self-Hosted- oder Helm-Konfigurationen. Die Quellen spezifizieren den Kontext nicht eindeutig. Vermutlich unterscheiden sich die Deployment-Modelle: SaaS hat ein Limit von 180 Tagen, während Self-Hosted-Installationen über Helm längere Zeiträume wie 400 Tage konfigurieren können. Die genaue Zuordnung bleibt offen. [Herstellerangabe] Änderungen an der Aufbewahrungsdauer gelten zudem nur für neue Traces; bestehende Traces sind nicht betroffen.

Observability im Aufwind: Umfragedaten als Kontext für Trajectories

Die Einführung von Trajectories fällt in einen breiteren Trend: [Herstellerangabe] Laut LangChains „State of Agent Engineering“-Umfrage haben 89 Prozent der Organisationen Observability implementiert, 52 Prozent führen Offline-Evals und 37 Prozent Online-Evals durch. Die Umfragedaten zeigen eine Lücke zwischen der Fähigkeit, Agenten zu beobachten, und der tatsächlichen Bewertung ihres Verhaltens. Ein korrektes Endergebnis kann einen instabilen, ineffizienten oder riskanten Ausführungspfad maskieren – wer nur den finalen Output bewertet, übersieht, dass der Agent den falschen Tool-Pfad genommen oder unnötig Schleifen durchlaufen hat. Trajectories reagiert auf diesen Bedarf nach besserer Nachvollziehbarkeit und Bewertung von Agenten, indem es die Session in ein lesbares Format bringt, das sich für Online-Evaluatoren, Annotations-Warteschlangen und Datasets nutzen lässt. Die chronologische Nachrichtenliste macht den Pfad eines Agenten nachvollziehbar, ohne dass Entwickler verschachtelte Traces manuell durchsuchen müssen.

Bewertung: Was Trajectories für Entwickler und Unternehmen bedeutet

Die potenziellen Vorteile von Trajectories liegen auf der Hand: schnellere Fehlerdiagnose, einfacheres Experten-Feedback und bessere Navigation in Trace-Daten. [Herstellerangabe] Die Herstellerangaben – etwa dass Trajectories die Ursache von Fehlern schneller finden lassen oder Experten-Feedback mit weniger Reibung ermöglichen – sind jedoch nicht durch kontrollierte Studien oder Usability-Tests belegt. Sie wären durch Vergleich der Debugging-Zeit mit und ohne Trajectories beziehungsweise durch Nutzerbefragungen zur Lesbarkeit der Ansicht prüfbar. Unabhängige Stimmen aus den Belegen deuten darauf hin, dass die Nachvollziehbarkeit von Agentenentscheidungen ein zentrales Problem ist: Ein korrektes Endergebnis kann einen instabilen oder ineffizienten Ausführungspfad maskieren. Trajectories adressiert genau diese Lücke, indem es den Pfad sichtbar macht. Der Wettbewerb im Markt für KI-Agenten-Tools wächst: So hat Kantata ein Agent Studio für eigene KI-Agenten vorgestellt. Trajectories positioniert LangSmith in diesem Umfeld als Plattform, die nicht nur Traces sammelt, sondern sie für Menschen lesbar und für Evaluierungen nutzbar macht. Ob sich die versprochenen Effizienzgewinne in der Praxis bestätigen, bleibt abzuwarten – die technische Grundlage dafür ist mit der neuen Abstraktionsebene gelegt.