Im Gegensatz zu "klassischer" Software sind LLM-basierte Systeme probabilistisch. Dieselbe Anfrage kann unterschiedliche Ergebnisse liefern, und Fehler sind oft subtil, schwer reproduzierbar und schwierig zu diagnostizieren. Je autonomer Agents werden, desto wichtiger werden Evaluation und Observability als zentrale Engineering-Praktiken.

In dieser Session zeige ich, wie du mit einer Observability-Plattform wie LangSmith mehr Systematik und Verlässlichkeit in die Entwicklung von AI Agents bringst.

Du lernst, wie du:

Die Session beinhaltet praxisnahe Beispiele aus realen Agent-Projekten und zeigt, wie Evaluation und Observability dabei helfen können, den Schritt vom Prototypen zum produktionsreifen System zu schaffen.

Technische Entscheider, CTOs, AI Engineers und Entwickler, die LLM-Anwendungen und AI Agents entwickeln.

Live-Demos, Code, Traces und praxisnahe Beispiele.