Workday用LangGraph与LangSmith搭建企业级AI（人工智能） Agent平台，原型周期从约5个月缩至1天内
Workday（美国人力资源与财务软件公司）披露其内部Agent（智能体）平台：由4人起步建立统一基础设施，用LangGraph做智能体编排、LangSmith做追踪与评估，把带认证与安全要求的原型搭建时间从4至5个月压缩到1天以内。
案例展示大型企业如何在严格审计与数据治理约束下统一智能体基础设施； 效率数字为Workday工程师口径，尚无独立验证。
LangChain（美国智能体开发工具公司）博客以案例形式呈现Workday的智能体平台建设：2025年Workday管理层设定到2026年底实现智能体投产的目标。 平台团队同时服务内部构建智能体的工程团队和这些智能体的终端客户，负责认证、安全、合规与基础设施。
首个主要产品为Agent System of Record，作为治理层控制智能体可访问的API（应用程序接口），平台团队为其构建后端服务器与评估基础设施。
团队还构建了被高级机器学习工程师Alex Gatto称为“Workday LangChain”的Python SDK（软件开发工具包），封装LangChain基础组件并接入Workday内部的LLM（大语言模型）网关、RAG（检索增强生成）检索服务等。 平台选用LangGraph做编排，以图模型支持从简单ReAct循环到复杂确定性流程；
因LangChain的智能体服务器实现内置A2A（智能体间通信协议）与MCP（模型上下文协议）支持，平台运行的每个智能体服务器均符合这两项协议。 此前构建原型需4至5个月，且不保证能投产； 新平台下团队可在1天内于预发布环境跑起带认证与安全要求的原型。 团队由4人增至约30人。
该案例反映企业级智能体竞争的一个关键分层：模型能力之外，权限治理、审计合规、评估与可观测性构成落地门槛。 Workday把API（应用程序编程接口）访问控制做成独立治理层，并让内部各团队复用统一SDK（软件开发工具包）与网关，意味着智能体平台的胜负可能更多取决于基础设施抽象而非单个智能体功能。
但“5个月到1天”是单一企业内部前后对比，未披露基线条件、样本量与统计方式，不能据此推断其他组织的普遍提速幅度。
后续观察信号
- 核实Workday智能体平台是否对外提供服务
- 追踪LangChain企业客户案例中的效率数据口径
- 观察A2A与MCP（模型上下文协议）协议在企业环境中的实际部署方式