A LangChain anunciou em 24 de setembro de 2026 o LangSmith Fine-Tuning e o smithtune, uma interface de linha de comando para pós-treinamento de modelos. A ideia é que equipes convertam trajetórias de agentes já registradas no LangSmith em modelos especializados, sem montar pipelines de dados à mão.
O fluxo vai da criação do conjunto de dados ao treinamento e à avaliação, tudo a partir de um único CLI.
A ferramenta é voltada ao pós-treinamento. Por ora, oferece suporte a supervised fine-tuning (SFT), técnica em que o modelo aprende imitando exemplos de bom comportamento a partir de pares de entrada e saída, com atualização dos pesos.
A LangChain afirma que um modelo treinado com exemplos próprios costuma ter desempenho igual ou superior ao de um modelo de fronteira de propósito geral em tarefas determinadas. O custo e a latência tendem a ser menores.
O smithtune pode ser executado diretamente ou por meio de um agente de programação, que roda os comandos e inspeciona os resultados.
Trajetórias como base do treino
O insumo central são as trajetórias: uma sequência ordenada de mensagens, chamadas de ferramentas e resultados que registra como um agente percorreu uma tarefa.
O LangSmith monta essa sequência a partir de um trace ou thread. Converte formatos de mensagem compatíveis em uma representação comum, preserva as definições de ferramentas e elimina histórico duplicado.
Segundo a empresa, o formato foi desenhado pensando no pós-treinamento. Em SFT, o modelo aluno precisa do contexto exato que o modelo professor tinha ao produzir uma resposta bem-sucedida.
Em agentes de longa duração, a disponibilidade de ferramentas muda conforme o trabalho avança, como no carregamento diferido de ferramentas. Uma exportação simples da lista final de mensagens perde essa nuance.
O smithtune usa trajetórias em todas as etapas do fluxo.
Do dataset ao modelo treinado
A construção do conjunto de dados passa por três etapas principais. O smithtune puxa trajetórias de um projeto de tracing do LangSmith para um diretório local, com filtros opcionais.
Em seguida, humanos e seus agentes identificam características dos traços considerados bons. Criam uma rubrica com base nesses critérios, e um conselho de agentes revisa e filtra os candidatos adequados ao SFT.
O conjunto acordado de trajetórias consideradas golden é enviado a um dataset persistente no LangSmith. Isso garante que todo dado usado no treino possa ser auditado depois.
No caminho, a ferramenta descarta traços que ultrapassam determinado comprimento de sequência, para compatibilidade com o modelo escolhido. Também separa os dados em treino, validação e teste.
Antes de iniciar o treinamento, o comando smithtune plan permite revisar o modelo selecionado, a quantidade de exemplos e hiperparâmetros como taxa de aprendizado, tamanho de batch e épocas. Todos são ajustáveis antes da execução.
O treino roda no Fireworks ou na Baseten. A avaliação é conduzida com o LangSmith, com os resultados de eval enviados de volta à plataforma para análise.
As trajetórias mantidas fora do split de treino fornecem o contexto e as ações de referência usadas nessa avaliação.
Parcerias e visão das empresas
A LangChain firmou parceria com Fireworks e Baseten para criar uma ligação direta entre as trajetórias do LangSmith e a montagem de datasets de fine-tuning nas duas plataformas.
Pranav Jain, product lead da Fireworks, afirma que a seleção de dados é um dos maiores motores de ganho em fine-tuning. Diz que o smithtune aproxima esse ciclo, levando traços curados de produção no LangSmith ao treinamento gerenciado e a um modelo servido, sem exigir que a equipe levante infraestrutura no meio do caminho.
Aaron Ellis-Bloor, pesquisador aplicado da Baseten, aponta que a integração com o Baseten Loops encurta o percurso entre coleta de dados e experimentos de fine-tuning. Isso permite acumular dados melhores de forma contínua com infraestrutura de treino totalmente gerenciada.
Por que isso importa
Na prática, o lançamento ataca uma das etapas mais custosas de projetos de IA: transformar dados de produção em dados de treino.
Ao reunir curadoria, treinamento e avaliação em um fluxo único, a LangChain reduz a necessidade de engenharia de dados dedicada. Cria um ciclo em que cada execução do agente pode alimentar a próxima versão do modelo.
Para equipes que já usam o LangSmith para observabilidade, isso significa aproveitar traços existentes como ativo de treinamento. Para quem busca custo e latência menores em tarefas específicas, abre a alternativa de substituir modelos de fronteira por modelos próprios ajustados.
O código está disponível no repositório do smithtune no GitHub, que também traz a skill para agentes de programação conduzirem o processo de ponta a ponta.
