丰田北美汽车公司通过50多个Agent，实现每年千万级成本节约
开发模式
平台上应用LangChain 的 Deep Agents ，可以自然语言对话的方式快速创建智能体。团队构建了一个可复用的Skills库，涵盖制造、供应链、研发、品牌推广等领域内容。这些Skills在运行时被注入到Deep Agents Agent中。
平台上应用了LangSmith 对Agents进行全面监管，了解哪些Agent有效，哪些存在缺陷，哪些工具出现了故障，以及用户们正在采用哪些功能。公司称之为Agent的“安灯系统”。
典型应用：设备故障诊断GearPal
GearPal 让产线的机器技术员以自然语言交互的方式，轻松诊断生产线上任何设备的故障。技术员只需上前询问机器为何出现故障以及如何修复，而 GearPal 则会提供相关的诊断信息、历史服务记录以及维修指导。GearPal通过Skills传承老师傅经验，帮助新老员工快速解决问题
过去可能需要 5 到 6 小时才能解决的故障，现在只需 2 到 3 分钟就能得到解决。
为保证GearPal 在产线稳定运行，团队为GearPal 增加了一个 LLM 网 关，可以在必要时切换LLM。
典型应用：研发知识库
R&D GPT 用于让研究人员查询丰田所有内部的研发资料，从而发现那些需要数周时间才能通过人工方式发现的细节。这些资料之前分散在数十个文档仓库中，且跨越众多领域，例如车漆相关内容，可能跨越涂料、腐蚀情况、座椅材料、皮革等多个领域。
为实现跨领域的精确检索，团队构建了一个基于 LangGraph 的并行调用系统。当主工具无法找到所需文档时，该系统会同时调用辅助工具，并将它们的结果合并后做出响应。
自该智能体上线以来，研发周期已经从大约 3 年缩短到了 1 年。
成效
当前每个Agent带来6位数的成本节约，随着场景成熟和Agent的进一步丰富，公司预计明年节约的金额达到7-8位数，并且未来几年还会持续增长
