The Agent Conference by LangChain の現地レポート、リリーストピック、セッション要約まとめ。
- イベント名: Interrupt 2026 - The Agent Conference by LangChain
- 開催日: 2026年5月13日-14日
- 会場: The Midway, San Francisco
- 住所: 900 Marin St., San Francisco, CA
- 公式サイト: https://interrupt.langchain.com/
- 概要: AI agents の次を形づくる実践者向けカンファレンス。プロダクション環境で agents を展開している業界リーダーやチームの知見、実装事例、ワークショップを通じて、agents の構築・トレース・評価について学ぶ。
- 参加規模: 1,000人以上の practitioners が参加
- チケット: Sold out
- 業界リーダーによる keynotes
- Clay、Rippling、Workday などの AI チームによる実運用の学び
- LangChain チームによる hands-on workshops
- builders 同士の交流、social hour、afterparty
公式 agenda: https://interrupt.langchain.com/event-agenda
| 時間 | セッション | 登壇者 |
|---|---|---|
| 8:00 AM-9:30 AM | Registration, Breakfast & Sponsors | - |
| 9:30 AM-10:30 AM | Keynote | Harrison Chase, Ankush Gola |
| 10:30 AM-10:50 AM | Building Frontier CX Agents | Carlos Pereira |
| 10:50 AM-11:20 AM | Break | - |
| 11:20 AM-11:40 AM | Scaling GTM Agents | Jeff Barg |
| 11:40 AM-12:00 PM | The Production System for Agents | Kordel France, Ravi Chandu Ummadisetti |
| 12:00 PM-12:20 PM | How Lyft Builds Evals That Actually Matter in Production | Nick Ung |
| 12:20 PM-1:40 PM | Lunch | - |
| 1:40 PM-2:00 PM | Make Legal Write Your Evals | Philipp Comans |
| 2:00 PM-2:20 PM | Introducing Managed Deep Agents | Sydney Runkle, Victor Moreira |
| 2:20 PM-2:40 PM | How We Built It | Ben Tannyhill, Vivek Trivedy |
| 2:40 PM-3:10 PM | Break | - |
| 3:10 PM-3:30 PM | Building Deep Agent Sidekick | Omri Bruchim |
| 3:30 PM-3:50 PM | Intelligent Agents in Aviation | Nico Venegas, Claudio Urbina Lara |
| 3:50 PM-4:10 PM | Break | - |
| 4:10 PM-4:40 PM | Agents in the Enterprise | Aaron Levie, Harrison Chase |
| 4:40 PM-5:00 PM | Lessons Learned Building Rippling AI | Senthil Sundaram, Akash Ashok |
| 5:00 PM | Day 1 Reception: Sponsored by Fireworks | - |
| 時間 | セッション | 登壇者 |
|---|---|---|
| 8:30 AM-9:30 AM | Registration, Breakfast & Sponsors | - |
| 9:30 AM-10:00 AM | Keynote | Harrison Chase, Brace Sproul, Caroline di Vittorio |
| 10:00 AM-10:20 AM | Observing and Testing CX Agents | Carlos Pereira |
| 10:20 AM-10:50 AM | Break | - |
| 10:50 AM-11:10 AM | The Etsy Gifting Assistant: From Prototype to Production | Derrick Kondo |
| 11:10 AM-11:30 AM | 60% Faster Time-to-Interview: Transforming Hiring with AI Agents with LangChain | Shang Liu, Tracy He |
| 11:30 AM-11:40 AM | Run Untrusted Agent Code with LangSmith Sandboxes | Mukil Loganathan |
| 11:40 AM-1:00 PM | Lunch | - |
| 1:00 PM-1:30 PM | Future of AI Agents | Andrew Ng, Harrison Chase |
| 1:30 PM-2:00 PM | Agents in the Enterprise | Chirantan (CJ) Desai, Harrison Chase |
| 2:00 PM-2:20 PM | Building AI for Healthcare | Janie Lee |
| 2:20 PM-2:50 PM | Break | - |
| 2:50 PM-3:10 PM | Building Pat, the AI Pocket Analyst Tool | Brendan McManus, Santi Weight, Michael Ran |
| 3:10 PM-3:30 PM | Building Developer Support Agents | Evan Kormos |
| 3:30 PM-4:00 PM | The Return of the Data Scientist | Shreya Shankar, Hamel Husain |
| 4:00 PM | Day 2 Afterparty: Sponsored by Focused | - |
- ✅ LangSmith Engine
- ✅ SmithDB
- ✅ LangSmith Sandboxes
- ✅ Managed Deep Agents
- ✅ LLM Gateway
- ✅ Context Hub
- ✅ Deep Agents 0.6
7つの発表は個別機能というより、production agent を作り、動かし、観測し、改善し続けるための縦積みのスタックとして見ると分かりやすい。
flowchart TB
DA["Deep Agents 0.6<br/>agent harness / runtime pattern"]
MDA["Managed Deep Agents<br/>production API / hosted runtime"]
CH["Context Hub<br/>instructions / skills / memory-like context"]
SB["LangSmith Sandboxes<br/>secure code execution"]
GW["LLM Gateway<br/>cost / auth / data guardrails"]
SDB["SmithDB<br/>trace observability data layer"]
ENG["LangSmith Engine<br/>detect / diagnose / fix / eval loop"]
CH --> DA
SB --> DA
GW --> DA
DA --> MDA
CH --> MDA
SB --> MDA
GW --> MDA
MDA --> SDB
DA --> SDB
SDB --> ENG
ENG --> CH
ENG --> DA
読み解き:
Deep Agents 0.6は agent harness の中核。planning、filesystem / code interpreter、subagents、streaming など、複雑な task を解く agent の実行モデルを提供する。Context Hubは agent が読む instructions、skills、knowledge、memory-like context を versioning する供給源。Deep Agents / Managed Deep Agents に対して「何を知って動くか」を渡す。LangSmith Sandboxesは agent が安全に code を書き、実行し、data を操作するための execution environment。Deep Agents の能力を production で使うための安全な手足になる。LLM Gatewayは model 呼び出しの governance layer。cost visibility、spend limits、auth、PII / secrets guardrails を通じて、agent の LLM 利用を enterprise-ready にする。Managed Deep Agentsは Deep Agents harness、Context Hub、LangSmith Sandboxes、LLM Gateway、MCP tools などをまとめ、production API / hosted runtime として提供する層。SmithDBは LangSmith traces / datasets / comparison views を支える observability data layer。大量・深い・multimodal な agent traces を高速に検索・分析できる土台。LangSmith Engineは SmithDB / traces を入力に、issue detection、diagnosis、fix proposal、eval / dataset generation まで回す改善 loop。改善結果は prompts、skills、code、evals に戻り、Context Hub や agent harness 側へ反映される。
つまり、下から順に見ると Context Hub / LangSmith Sandboxes / LLM Gateway が agent の context・execution・governance を支え、Deep Agents 0.6 / Managed Deep Agents が production agent runtime を作り、SmithDB が実行結果を観測可能にし、LangSmith Engine がその観測結果から改善を自動化する、という構造になっている。
LangSmith Engine は、LangSmith の trace を起点に agent の継続改善ループを回すための機能。繰り返し発生する失敗を検出し、原因を診断し、修正案・回帰防止用 evaluator・offline evaluation 用の dataset examples までつなげる。GitHub repository を接続すると、Deep Agents / LangChain / LangGraph で作られた agent に対して修正 PR の提案もできる。
ポイント:
- production traces から recurring issue を自動検出
- root cause の診断、proposed fix、suggested evaluator を提示
- 問題が再発した場合に issue を reopen する closed-loop 改善
- trace から ground truth dataset examples を生成し、offline eval に接続
セッション補足:
How we built itでは、Engine の初期課題として「意味のある issue を見つけ、actionable な単位へ蒸留すること」が重要だと説明されていた。単に trace から問題を大量に見つけるのではなく、修正対象として扱える粒度に落とし込む設計がポイント。- Engine は LangChain 製品群を組み合わせて動いており、Deep Agents、LangSmith Sandboxes、LangSmith Deployment を使いながら、production trace と agent source code を入力にして問題診断・修正案生成へつなげる。
- trace は「本番で agent がどう振る舞ったか」を見る最重要入力として扱われ、必要に応じて condensed / summarized trace を使って調査する構成になっている。
- 公式ブログ
How My Agents Self-Heal in Productionでも、deploy 後の regression detection、triage agent、Open SWE による PR 作成までを自動化する self-healing loop が紹介されており、Engine が目指す「production signal から修正へつなぐ」方向性と重なる。
参考:
- https://docs.langchain.com/langsmith/engine
- https://www.langchain.com/blog/production-agents-self-heal/
SmithDB は、LangSmith の self-hosted changelog 上で確認できる LangSmith backend / data layer 側の新しい基盤要素。changelog では SmithDB-backed comparison view endpoints、SmithDB shadow、ClickHouse と SmithDB の dual-write / parallel write、SmithDB operations の async retry などが言及されている。Andrew Lamb 氏の X 投稿でも、SmithDB が Apache DataFusion でできていることが宣言されている。セッション情報では、SmithDB は Apache DataFusion と Vortex を土台にした Rust 製のデータ基盤として説明されていた。LangSmith の trace / dataset / comparison view 周辺をより高速・堅牢にするための analytical data layer と読める。
ポイント:
- comparison view を SmithDB-backed endpoint として提供
- ClickHouse ingestion と SmithDB dual-write / parallel write により ingestion latency を改善
- SmithDB shadow による dataset view の filtering / querying を強化
- SmithDB operation の async retry / error handling を追加
- Apache DataFusion を query engine として利用し、Rust / Apache Arrow ベースの高速な analytical query execution を活用
- Vortex のような extensible columnar file format と組み合わせ、trace に特化した indexing、query planning、execution plan、storage layout を追加している
セッション補足:
Ciscoセッションでは、SmithDB は trace observability のために purpose-built された基盤として説明され、以前より 6x-15x 高速になったという文脈で紹介されていた。- 同セッションでは、全体が Rust で書かれ、2 つの open source project を基盤にしていると説明されていた。1 つ目が Apache DataFusion、2 つ目が extensible file format の Vortex。
- Apache DataFusion は公式ドキュメント上でも Rust 製の extensible query engine と説明され、Apache Arrow を in-memory format とし、SQL / DataFrame API、vectorized / multithreaded / streaming execution、custom data sources / functions / operators / optimizer passes などを提供する。
- SmithDB はこの基盤の上に、trace search 向けの indexing、custom query planning / execution plans、LangSmith のデータに合わせた custom storage layouts を追加していると説明されていた。
How we built itでは Engine が大量の production traces を扱い、multi-tenant orchestration と distributed task queue を通じて処理する構成が説明されていた。SmithDB はこのような trace / dataset / comparison の大規模処理を支える data layer 側の更新として位置づけられる。
参考:
- https://docs.langchain.com/langsmith/self-hosted-changelog
- https://x.com/andrewlamb1111/status/2054666729456812150?s=20
- https://datafusion.apache.org/
- https://datafusion.apache.org/user-guide/introduction.html
- https://vortex.dev/
LangSmith Sandboxes は、agent が生成・実行するコードを安全に動かすための ephemeral で locked-down な実行環境。LLM に任意コードを実行させる場合、local machine や本番 infrastructure に直接触らせるのは危険なので、sandbox 側で filesystem、network、resource usage、実行可能 binary などを制御する。LangSmith SDK から利用でき、LangSmith Deployment や Deep Agents とも統合される。
ポイント:
- agent-generated code を隔離環境で実行
- CPU / memory / disk などの resource limits を管理
- binary authorization で実行可能な program や到達可能 domain を制限
- coding assistant、CI-style agent、data analysis agent などに有効
セッション補足:
Day1 keynoteでは LangSmith Sandboxes の一般提供が発表され、agent が code を読み書き・実行して data manipulation や CLI 操作を行うための重要な execution environment として紹介された。- sandbox は 1 秒未満で起動でき、interaction をまたいだ persistence、snapshot / restore、auth proxy を備えると説明されていた。
Introducing Managed Deep Agentsでは、研究 agent であっても統計処理や report への反映などで code execution が必要になり、ほぼすべての agent が coding-agent 的な能力を必要としつつある、という文脈で LangSmith Sandboxes が説明された。- sandbox credential injection は agent 本体や sandbox environment に重要な environment variables を露出させないための機能として触れられていた。
参考:
Managed Deep Agents に相当する発表として、LangChain は deepagents deploy を beta として紹介している。これは Deep Agents harness を production-ready な server として立ち上げる仕組みで、model、instructions、tools、skills、LangSmith Sandboxes をまとめてデプロイできる。Claude Managed Agents との比較では、Deep Agents は open source / model-agnostic で、memory を標準形式で所有・照会できる点が強調されている。
ポイント:
deepagents deployで Deep Agents harness を production server 化- model、
AGENTS.md、skills、MCP tools、sandbox をまとめて指定 - horizontally scalable な server として運用する前提
- proprietary harness に memory を lock-in しない設計
セッション補足:
Introducing Managed Deep Agentsでは、Managed Deep Agents は private beta として紹介され、prototype / working agent を production に持っていくためのまとめ役として説明されていた。- 構成要素は大きく、Deep Agents harness、production runtime、Context Hub integration、LangSmith Sandboxes の 4 本柱として説明されていた。
- runtime は LangSmith Deployment 上に構築され、agent の create / update / invoke、horizontal scaling、durable checkpoint、resume / replay、human-in-the-loop を支える。
- production では inbound user auth、agent から外部サービスへの outbound auth、agent の作成・更新権限、interoperability が重要になる、という運用面の話も補足されていた。
参考:
- https://www.langchain.com/blog/deep-agents-deploy-an-open-alternative-to-claude-managed-agents
- https://www.langchain.com/blog/april-2026-langchain-newsletter
LLM Gateway について、LangChain 公式 docs では LangSmith の LLM auth proxy が関連機能として確認できる。これは LangSmith と upstream LLM provider / internal gateway の間に置く Envoy-based component で、LangSmith からの model invocation に対して organization 側の認証・credential injection・request / response transformation を適用する。provider key を end user に露出せず、request を actor に traceable にするための enterprise 向け機能。
ポイント:
- LangSmith と OpenAI / Anthropic / internal LLM gateway などの間に配置
- LangSmith-signed JWT を検証し、組織側の認証フローを適用
- provider credentials を end user に露出せずに注入
- OpenAI format と custom gateway format 間の変換にも利用可能
セッション補足:
Day1 keynoteとIntroducing Managed Deep Agentsでは、auth proxy が sandbox / agent 実行環境の外側に置かれ、agent が API を使う必要がある場合でも credential を agent や sandbox に直接見せずに traffic へ注入する仕組みとして説明されていた。- Managed Deep Agents の production 説明では、外部 services / MCP tools へ outbound で接続するときに、正しい permission を仮定して安全に認証することが重要だと強調されていた。LLM Gateway / auth proxy はこの production auth layer の一部として捉えられる。
参考:
Context Hub は、production agent が使う instructions や tools を version-controlled / environment-aware に管理する LangSmith の機能。context は agent または skill の versioned bundle として扱われ、AGENTS.md や SKILL.md、tools などを commit history つきで管理できる。staging / production への promote により、agent が pull する context を安定化できる。
ポイント:
- agent / skill の instructions と tools を versioned bundle として管理
- commit history により差分確認・rollback・tagging が可能
- staging / production へ promote して環境ごとの context を固定
- reusable skill を複数 agent から参照できる
セッション補足:
Day1 keynoteでは LangSmith Context Hub の launch が発表され、agents files、skills、社内 wiki のような markdown knowledge をまとめて保存・配布する場所として紹介された。- Context Hub では versioning、tags、comments が使え、local に pull して coding CLI で使ったり、Deep Agents の virtual filesystem として使ったりできると説明されていた。
- context は prompts から、AGENTS.md や skills のようなより構造化された instructions / capabilities へ進化している、という流れで説明されていた。
Introducing Managed Deep Agentsでは、Context Hub integration が Managed Deep Agents の中核の 1 つとされ、agent が実際に動くためのAGENTS.mdや skills を versioning し、staging / production へ promotion できる仕組みとして触れられていた。
参考:
- https://docs.langchain.com/langsmith/use-the-context-hub
- https://docs.langchain.com/langsmith/context-engineering-concepts
Deep Agents は、長時間・複雑な task を扱う agent harness。LangChain blog では初期設計として planning tool、filesystem access、subagents、detailed prompts が核だと説明されており、0.2 では pluggable backend / composite backend による memory・filesystem 拡張が紹介された。PyPI release history では deepagents 0.6.0 が 2026年5月12日に公開され、翌日に 0.6.1 も公開されている。公式ブログで 0.6 専用の詳細記事は見つからなかったため、ここでは Deep Agents の方向性と release 状況を記録する。
ポイント:
- planning tool、filesystem、subagents、detailed prompts を備えた agent harness
- pluggable backend により local filesystem、LangGraph Store、長期 memory などを扱いやすくする方向
- Open models を Deep Agents SDK で利用する記事も公開され、model-agnostic な harness としての位置づけが強い
deepagents0.6.0 は 2026年5月12日に PyPI で公開
セッション補足:
Day1 keynoteでは Deep Agents 0.6 の発表として、open models、execution environment、streaming の 3 つの流れに対応する更新だと説明されていた。- open source / open weight models の性能向上と cost pressure を背景に、Deep Agents 0.6 は open models を試しやすくする方向に進んでいる。
- execution environment では、full sandbox と virtual filesystem の中間に位置する code interpreter が紹介されていた。QuickJS を使い、agent が JavaScript を書いて実行し、tools の programmatic call や data file の操作を行える lightweight な実行環境として説明されていた。
- streaming では新しい streaming protocol と複数の frontend SDK、CopilotKit / assistant-ui / Vercel などの UI framework との統合が紹介され、agent UI を作りやすくする方向性が示されていた。
Introducing Managed Deep Agentsでは、Deep Agents の基本能力として execution environment、context management、delegation、steering / human-in-the-loop が整理されていた。特に subagents は isolated context で動き、main agent の context を汚さずに並列化できる点が強調されていた。
参考:
- https://www.langchain.com/blog/doubling-down-on-deepagents
- https://www.langchain.com/blog/open-models-have-crossed-a-threshold
- https://www.langchain.com/blog/how-we-built-langchains-gtm-agent
- https://pypi.org/project/deepagents/
LangChain における FDE の必要性について議論した。AI エージェントの開発・運用を自社で行うケイパビリティを持つ企業と、そうではない企業の 2 種類に分かれていくという見立てがある。
FDE が特に必要になるのは、AI エージェント開発・運用のケイパビリティをまだ持っていない Non-AI な企業に LangChain / LangSmith を導入する場面だと認識している。単にツールを提供するだけではなく、ユースケースの発見、agent workflow の設計、eval / observability / deployment の運用設計、社内チームへの移管まで伴走する役割が重要になる。
一方で、この FDE を大々的な採用方針として打ち出すかどうかは、まだ決めかねている。導入支援の必要性は高いが、それを組織戦略としてどの程度前面に出すかは、今後の顧客層、プロダクト成熟度、partner ecosystem との役割分担を見ながら判断する段階。