据Hacker News上发布的Launch HN帖子，Laminar联合创始人Robert和Din于2026年10月19日宣布，团队推出名为flow-1的模型，称其通过强化学习训练，用于从AI代理运行轨迹中识别“无声失败”。Laminar自2024年起开发面向AI代理的开源可观测性工具，此次发布的模型被定位为可低成本分析生产环境中的每一条代理轨迹。

帖子称，AI代理如今会连续执行很多步骤，并可能以隐式方式失败：代理点错按钮或引用错误文档，但每一次调用都显示成功。要发现这类错误，需要理解代理试图完成的任务，并检查其LLM调用和工具返回结果，仅查看最终输出不够。Laminar认为，单纯收集轨迹并不能解决问题，不少可观测性平台本质上仍是数据收集器，用户可能付费存储无人阅读、也未被提取价值的轨迹。使用另一个大模型检查轨迹是可行方案，但能力强的模型规模化成本高，便宜的模型又常漏报或标记无关内容。

flow-1针对这一问题开发。团队称，他们先微调一个小型开源模型，再用强化学习在数千个合成调查任务上进行后训练，这些任务覆盖软件、法律、客户支持等真实代理工作流。团队在自有基准上称，flow-1的检测质量与GPT-6-sol相当，成本约为后者的1/23，因而可以在不做采样的前提下分析每一条生产轨迹。

flow-1运行在Laminar称为Signals的执行框架内。它像编码代理一样把一条代理轨迹当作代码仓库，把每个span（一次LLM调用、工具调用等）当作文件；它从整条轨迹的压缩字符串表示和用户提示出发，用grep跨span检索并完整读取相关span。Signals可以响应通用提示，例如识别用户挫败情绪，或检查浏览器代理是否完成结账。结果以用户可自由定义的JSON模式返回，Laminar称之为signal event。

当所有轨迹都被分析后，单个事件数量会过多。Laminar会自动把相似的signal event聚成簇，让用户看到重复出现的问题及其发生频率，并可下钻到单个事件及其背后的轨迹。用户还可以用某个簇中的轨迹构建针对该类失败的评测数据集，再借助编码代理在评测集上迭代，确认修复在多个案例中有效后再发布到生产环境。Laminar称，其目标是让“采集轨迹、分析、发现错误并聚类、修复、发布”这一循环更容易执行。

Laminar表示，该平台以Apache 2.0协议开源，可自行部署，公司通过托管云服务收费。其博客还介绍了轨迹压缩、SQL查询引擎和自动任务提取等设计。