LangChain 给 LangSmith 加了一个新入口：AI Search 开启公测，你可以直接用自然语言描述想找的行为，比如“哪些对话里泄露了用户手机号”或者“用户在哪儿明显不耐烦了”，系统去翻 agent 的完整执行轨迹。这不是关键词匹配的升级版，而是换了一套检索范式。
传统可观测性工具处理 agent 轨迹，靠的是标签、过滤器和全文检索。问题在于这三样都建立在“你能提前把问题说清楚”的前提上。PII 泄露往往藏在某次工具调用的返回值里，用户受挫则表现为一连串重试加上语气变化，这些特征没有固定词面，标签体系也覆盖不到。工程师以前只能翻样本、写正则、凭经验抽查，效率低还容易漏。AI Search 想接的正是这类模糊问题：你用一句人话描述意图，模型去理解轨迹里的语义和行为模式，再把相关的执行链路捞出来。
对准备把 agent 推上生产的团队来说，这意味着调试路径从“先想清楚怎么筛”变成“先把现象描述出来”。公测阶段的能力边界还不明朗，召回准不准、复杂行为能不能被准确拆解，都得靠真实流量去验。但方向没什么疑问：agent 越自主，可观测性就越不能依赖人工预设的规则。
