LangSmith 评估体系：让你的 Agent 上线前"过一遍体检"📚专栏导航：这是《LangChain 30篇精讲》的第 27 篇，模块六「生产部署」的开篇。上一篇我们学会了用多智能体协作把复杂任务搞定，但**“能跑"和"能上线"之间，隔着一整套质量保证体系**。这一篇，我们把"感觉不错"变成"数据说话”。写在前面：一句"感觉不错"，害了多少项目先说一个非常真实的场景。你花了三周写完一个 RAG 问答 Agent，测了 10 个问题，都对。你拍了拍手：“效果不错，上线吧。”一周后，用户投诉来了：“问了个说法不一样的问题，它就答错了”“问了个知识库里没有的东西，它开始瞎编”“上个月还好好的，这两天怎么变笨了？”这时候你才意识到——你那 10 个问题，根本代表不了真实场景。而且更麻烦的是：模型供应商上周悄悄更新了模型版本。你的应用到底变好了还是变差了？你根本不知道，因为你没有基线数据。结论：手动测几个 case，不叫评估。真正的评估，是可重复、可量化、可追踪的。这一篇，我们把 LangSmith 的评估体系讲透。