Paradigm 利用 LangChain 和 LangSmith 打造先进的 AI 驱动电子表格

Paradigm (YC24) 通过结合人工智能 (AI) 来创建一个具有普遍智能的电子表格，正在革新传统电子表格。据 LangChain 博客 介绍，这款创新工具协调了一群 AI 代理来收集数据、构建结构并以人类级别的精度执行任务。

利用 LangChain 建造 AI 驱动的电子表格，实现快速迭代

为实现其雄心勃勃的目标，Paradigm 集成了 LangChain 套件的产品来构建并生产化其智能电子表格。特别是，LangSmith 提供了关键的操作见解和代理思维过程及大语言模型（LLM）使用的上下文意识。这使得 Paradigm 能够优化产品性能和定价模型，同时保持计算成本低廉。

Paradigm 的智能电子表格部署了多项特定任务的代理进行数据处理，都由 LangChain 提供支持。除了数据生成，Paradigm 还在其产品的各个小任务中使用了 LangChain 支持的微型代理。例如，Paradigm 使用 LangChain 开发了一些专用代理：

• Schema 代理：生成列和列提示，以指导电子表格代理收集数据。
• Sheet naming 代理：根据提供的提示和表内数据自动命名每个表。
• Plan 代理：将代理的任务组织成阶段，允许并行化的研究任务，从而减少延迟而不牺牲准确性。
• Contact info 代理：从非结构化数据中查找联系信息。

LangChain 促进了这些代理的快速迭代周期，使 Paradigm 能够在生产部署之前完善温度设置、模型选择和提示优化等元素。这些代理还利用 LangChain 的抽象方式生成结构化输出，以正确的模式生成信息。

在 LangSmith 中监控以获得操作见解

Paradigm 的 AI 驱动电子表格旨在处理大量数据处理任务，用户可以触发成百上千的个体代理在每个单元格上执行任务。这些操作的复杂性需要一个复杂的系统来监控和优化代理的性能。LangSmith 在提供代理思维过程和 LLM 使用的完整上下文上显得尤为重要。

这种详细级别的见解使 Paradigm 团队能够跟踪代理的执行流程，包括 token 使用情况和成功率，并分析和完善列生成的依赖系统。这种方法通过优先处理需要较少上下文的任务来提高数据质量，然后再处理更复杂的工作。例如，团队可以改变依赖系统的结构，重新运行相同的电子表格任务，并使用 LangSmith 评估哪种系统能产生最清晰和简明的代理跟踪。

优化使用量定价模型的 LangSmith

LangSmith 的监控能力还使 Paradigm 能够执行并实施精确的使用量定价模型。LangSmith 提供了其代理操作的完整上下文，包括使用的具体工具、执行顺序和每一步的 token 使用情况。这使他们能够准确计算不同任务的成本。

例如，涉及简单数据（如姓名或链接）的任务成本较低，而类似候选人评级或投资备忘录等复杂输出的任务成本较高。类似地，检索私人数据（如筹款信息）的资源消耗比抓取公开数据更多。这解释了需要一个细致的定价模型，允许 Paradigm 支持不同类型任务的不同成本。通过深入分析历史工具使用情况和每个任务的输入/输出 token 数量，他们能够更好地理解如何设定其定价和工具结构。

结论

借助 LangSmith 和 LangChain，Paradigm 为其 AI 集成的工作空间和智能代理电子表格解锁了多种数据处理任务。通过快速迭代、优化和操作见解，Paradigm 为用户提供了高性能、以用户为中心的产品。