Workday用LangGraph与LangSmith搭建智能体平台：原型时间从4-5个月降至不到1天
Workday机器学习工程师Alex Gatto在LangChain博客中称，其四人团队借助LangGraph与LangSmith搭建内部Agent Platform，使智能体原型在带认证与安全要求的情况下不到一天即可跑在预发环境；此前需4到5个月且不保证能进生产。团队现约30人。
AI解读：Workday的内部Agent Platform团队向LangChain博客描述：平台服务两类用户，一是Workday内部构建智能体的工程团队，二是这些智能体的终端客户；平台负责认证、安全、合规与基础设施，让团队专注功能需求。
首个主要产品是Agent System of Record，用于控制智能体可访问哪些API的治理层；平台团队为其搭建后端服务器与评测基础设施。另有被称为“Workday LangChain”的Python SDK，封装LangChain原语并接入LLM网关、RAG检索等内部服务。
选型上，Workday用LangGraph做智能体编排，用LangSmith做追踪、可观测性与评测。Gatto称图模型支持从简单ReAct循环到复杂确定性工作流，平台不预设智能体形态；LangChain的Agent Server内置A2A与MCP支持，使其运行的每个智能体服务器已符合这两个协议。
效率数字来自Workday一方：此前构建原型需4到5个月，且不保证能进入生产；新平台下团队不到一天即可在预发环境跑起原型，认证与安全要求已内置。团队从4人增至约30人，Gatto称因与LangChain合作成效，团队规模扩大两倍以上。
Gatto还称，平台成为连接Workday多年积累的LLM网关、RAG检索器、推荐引擎、提示服务等孤立内部服务的统一接口。上述效率与协议合规表述均为Workday与LangChain合作方说法，未有第三方评测或公开的客户侧效果数据。
Workday的Agent Platform团队在LangChain博客中介绍，其用LangGraph做智能体编排、用LangSmith做追踪与评测，搭建面向内部开发者的智能体平台。高级机器学习工程师Alex Gatto称，原型时间从过去的4到5个月缩短到不到一天。
该团队最初为4人，现约30人。平台需满足Workday在审计、合规与数据留存方面的企业软件要求，这一约束贯穿其设计与上线过程。
平台服务谁、首发了什么
据该博客，Agent Platform有两类用户：Workday内部构建智能体的工程团队，以及这些智能体的终端客户。平台承担认证、安全、合规和基础设施，让业务团队专注功能需求。
团队最先交付的主要产品是Agent System of Record，被描述为控制智能体可访问哪些API的治理层；平台团队搭建了该系统运行所需的后端服务器和评测基础设施。
团队还构建了Gatto称为“Workday LangChain”的Python SDK，封装LangChain原语并路由到Workday内部服务，包括LLM网关、RAG检索服务及其他内部工具。Gatto称，LangChain每推出一个AI概念，团队就尝试在Workday内部为同一概念构建对应的Python SDK。
- 用户：内部智能体开发团队 + 智能体终端客户
- 首发产品：Agent System of Record，管控智能体可访问的API
- SDK：封装LangChain原语，接入LLM网关与RAG检索
为什么选LangGraph和LangSmith
Workday选择LangGraph做编排，目的是在设计层给内部开发者最大灵活性、底层提供标准化基础设施。博客称，相比把智能体建模为对话序列或人格的平台，LangGraph的图模型让工程师能构建从简单ReAct循环到复杂确定性工作流，平台不预设智能体该长什么样。
Gatto称LangChain的Agent Server与LangSmith“很多能力是免费得到的”。他举例，当高层询问Workday在A2A与MCP协议上的策略时，团队可回答已进入生产，因为LangChain的Agent Server实现内置对这两个协议的支持，平台运行的每个智能体服务器即已合规；开发者对图的更新会立即反映到服务器。
Gatto对博客表示：“后端不是问题，LangChain替我们处理了。”
- 编排层：LangGraph图模型，支持ReAct循环至确定性工作流
- 可观测与评测：LangSmith负责追踪、可观测性和评测
- 协议：Agent Server内置A2A与MCP支持，团队称其服务器已符合两者
效率数字与团队规模
博客给出的对比是：此前构建一个原型智能体需4到5个月，且不保证能进入生产；使用新平台，团队不到一天即可在预发环境跑起原型，认证与安全要求已内置。团队剩下的问题只是智能体做什么、图长什么样。
团队从4人起步，现约30人，并计划继续投入。Gatto称，因与LangChain合作取得的成果，团队规模扩大了两倍以上。
Gatto还称，平台把Workday多年来分散在各团队、彼此孤立的LLM网关、RAG检索器、推荐引擎、提示服务等内部服务连接起来，成为构建智能体的首个统一接口。
- 原型时间：4-5个月 → 不到1天（Workday一方说法，含认证与安全）
- 团队：4人 → 约30人，计划继续扩编
- 平台定位：连接内部孤立AI服务的统一接口
这些数字的边界
需要区分的是，上述效率对比、协议合规与团队扩张均由Workday工程师在LangChain博客中陈述，LangChain是相关工具的供应方，博客未提供第三方评测、客户侧部署数量或生产智能体的效果数据。因此“不到一天”适用于该平台在预发环境起原型的场景，不能直接推及生产上线时间或业务收益。
博客提到Workday服务超过半数《财富》500强，但这描述的是Workday客户覆盖，并非该智能体平台的使用规模。平台仍处内部推广阶段，其对终端客户的实际效果未有公开数据。
- 效率数字来自Workday单方陈述，发布方LangChain为工具供应方
- “不到一天”指预发环境原型，非生产上线或业务效果
- Fortune 500覆盖是Workday客户面，不是平台采用量