零代码造 Agent 的时代来了：LangSmith Fleet 完全上手指南

发表于最近更新于最近

作者 KennethCheng

450~578 分钟 阅读

让业务人员 5 分钟用自然语言打造会自我进化的生产级 AI 智能体
本文配套所有架构图均为 Mermaid 源码，可直接复制到任何支持 Mermaid 的 Markdown 编辑器中渲染。

📑 目录

为什么需要 LangSmith Fleet？
Fleet 到底是什么？
Fleet 的三大核心特性
从零开始：5 分钟上手 Fleet
Agent 是怎么"被造出来"的？
对话模式 vs 编辑模式
给 Agent 装上"工具"：内置集成 + 自定义 MCP
实战案例：手把手造一个"新闻助手 Agent"
总结与思考

1. 为什么需要 LangSmith Fleet？

过去想造一个 AI Agent，你需要：

精通 Prompt Engineering
掌握 Python / LangGraph 框架
自己编排工具、子代理、记忆机制
处理部署、监控、可观测性

对业务人员来说，这是一座高不可攀的技术墙。

LangSmith Fleet（Agent Builder）的出现，就是为了把这面墙拆掉——让不会写代码的人，也能用自然语言做出生产可用的 AI Agent。

2. Fleet 到底是什么？

一句话定义

Fleet 是 LangSmith 推出的无代码（No-Code）智能体构建平台，本质是一个具备"Agent Builder Skill"的 Deep Agent——它能通过对话理解你的需求，自动生成并维护另一个具备持久记忆和自主决策能力的生产级 Agent。

它和传统自动化流程的本质区别

关键差异：传统流程是"写死的剧本"，Fleet 是"带大脑的演员"。

核心机制

一句话：用户提需求 → Fleet 追问细节 → 自动生成 Agent → Agent 反哺用户 → 用户纠错 → Fleet 自我进化。

3. Fleet 的三大核心特性

#	特性	解决什么痛点
①	零门槛的生产级开发	把 Agent 构建权从开发者下放给业务用户
②	内置进化机制	Agent 会越用越聪明，自动吸收用户反馈
③	复杂任务的分解能力	复杂任务 → 自动拆 Subagent → 协同完成

4. 从零开始：5 分钟上手 Fleet

4.1 两种构建方式

4.2 进入平台

项	说明
入口地址	`https://smith.langchain.com`
左侧导航	`Chat` / `Inbox`（任务箱） / `My Agents` / `Explore`
Explore 包含	`Integrations`（集成）/ `Templates`（模板）/ `Workspace Agents`（共享工作区）
运行配额	例：每月 `35/50 agent builder runs`
主交互区	`Ask anything` 输入框 + 模型选择器（GPT-5.4 / DeepSeek 等）

4.3 配置密钥与模型（5 步）

⚠️ 关键点：Fleet 中填写的 API Key Name 必须和 Secrets 里配置的 Key 名称完全一致，否则无法调用。

5. Agent 是怎么"被造出来"的？

5.1 总览

5.2 第 4 步"明确需求"——追问阶段详解

Fleet 不会一上来就动手造，它会主动追问。比如你想造一个新闻助手，它会问：

💡 经验：回答得越具体，最终造出来的 Agent 越好用。

6. 对话模式 vs 编辑模式

Agent 造好后，你会看到两种使用模式：

编辑模式中的核心区域

区域	作用
`Agent.md`	Agent 核心系统提示词（最重要）
工具区	已挂载的工具集（MCP / 内置）
子代理区	拆分的 Subagents
SKILLs	技能定义文件
INSTRUCTIONS	基础配置项（环境变量、模型选择等）
侧边栏	分享 / 代码调用示例 / LangSmith 观测 / 删除

7. 给 Agent 装上"工具"：内置集成 + 自定义 MCP

7.1 三层工具架构

7.2 内置工具一览

类别	工具
🔍 搜索	Exa（AI 搜索）、Tavily（Web 搜索）
💻 开发者	GitHub（仓库/Issue/PR）
📧 通信	Gmail、Slack、Linear
📅 生产力	Google Calendar、Google Docs、Powerpoint、Word
💬 社交	LinkedIn、X (Twitter)
📦 其他	Pylon、Cloudflare、Parallel Search、Shutterstock 等

7.3 配置内置工具的流程

7.4 自定义 MCP 服务器（代码示例）

如果你想接自己的业务系统，最优雅的方式是自建一个 MCP Server：

from fastapi import FastAPI
from langchain.tool_server import tool, ToolHandler, create_arg_router
import uvicorn

handler = ToolHandler()

@tool
async def add(x: float, y: float) -> float:
    """Add two numbers."""
    return x + y

@tool
async def subtract(x: float, y: float) -> float:
    """Subtract y from x."""
    return x - y

@tool
async def multiply(x: float, y: float) -> float:
    """Multiply two numbers."""
    return x * y

@tool
async def divide(x: float, y: float) -> float:
    """Divide x by y."""
    if y == 0:
        raise ValueError("Cannot divide by zero")
    return x / y

handler.add(add)
handler.add(subtract)
handler.add(multiply)
handler.add(divide)

app = FastAPI()
mcp_router = create_mcp_router(handler)
app.include_router(mcp_router, prefix="/mcp")

if __name__ == "__main__":
    print("LangChain tool server starting...")
    uvicorn.run(app, host="0.0.0.0", port=4000)

然后在 Fleet 中注册：

8. 实战案例：手把手造一个"新闻助手 Agent"

8.1 需求描述（在 `Ask anything` 中输入）

为我制作一个新闻助手 Agent，能够从腾讯新闻、新浪新闻、网易新闻这三个新闻网站收集新闻资讯。每当我进行询问时，Agent 能够实时的从这三个新闻网站获取当前最热新闻趋势，并为我总结每个新闻条目的内容和相关链接。

8.2 Fleet 的响应流程

8.3 拿到的产物

产物	用途
对话窗口	直接和新闻助手聊
编辑视图	看 / 改 `Agent.md`、工具、子代理、SKILLs
运行配额	例：`40/50 runs this month`
代码调用示例	一键复制到自己的项目里调用
LangSmith 观测面板	看每次调用的链路、token、耗时

9. 总结与思考

9.1 Fleet 适合谁？

9.2 关键词速查

术语	含义
No-Code	无需编程即可创建生产级 Agent
Deep Agent	具备规划、工具调用、记忆能力的深度智能体
Skill	可被 Agent 加载的能力包（如 Agent Builder Skill）
Subagent	拆分出的专注单一任务的子智能体
MCP	Model Context Protocol，外部工具接入标准协议
Integrations	官方预置的开箱即用工具集
Editor Mode	对生成的 Agent 进行修改和完善
Persistent Memory	通过文件系统持久化用户偏好与纠正

9.3 我的思考清单

Fleet 的 50 次/月配额是否可调整？
内置进化机制是否会保留历史版本？能否回滚？
多个 Subagent 之间如何通信？是否共享 Memory？
自定义 MCP 与内置工具出现冲突时，优先级如何？
Fleet 生成的 Agent 如何导出/嵌入到自有产品中？
能否用 Fleet 二次开发自己的"Agent Builder"？

✍️ 写在最后

LangSmith Fleet 的真正革命性在于：它把"造 Agent"这件事从技术工作变成了对话工作。
当 LLM 能自己规划、自己选工具、自己进化时，业务人员终于可以站在产品视角，而不是代码视角，去定义 AI 的能力边界。

下一步我打算试试用它做一个"竞品监控 Agent"和"周报自动生成 Agent"，敬请期待 👋

📌 配套资源

官方文档：https://docs.smith.langchain.com
平台入口：https://smith.langchain.com
MCP 协议说明：https://modelcontextprotocol.io

Ai, LangChain

LangChain Ai Python

许可协议: CC BY 4.0