LangChain определяет архитектуру агента для разработки ИИ

Тимоти Морано

11 марта 2026 г., 04:56

Новая структура LangChain разбирает, как агенты используют файлы, песочницы и управление памятью для превращения сырых моделей ИИ в системы, готовые к производству.

LangChain опубликовала подробный технический разбор архитектуры системы агента, закрепляя инфраструктурный слой, который преобразует сырые языковые модели в автономные рабочие движки. Эта структура, созданная Вивеком Триведи 11 марта 2026 года, появляется на фоне роста важности инженерии хранилищ для повышения эффективности ИИ-агентов.

Основная идея довольно проста: Агент = Модель + Хранилище. Всё, что не является самой моделью — системные подсказки, выполнение инструментов, логика оркестрации, промежуточные хуки — входит в ответственность хранилища. Сырые модели не могут сохранять состояние между взаимодействиями, выполнять код или получать доступ к актуальной информации. Хранилище заполняет эти пробелы.

Почему это важно для разработчиков

Данные лидерборда Terminal Bench 2.0 от LangChain показывают что-то неожиданное. Модель Anthropic Opus 4.6, работающая в Claude Code, показывает значительно худшие результаты, чем та же модель, запущенная в оптимизированных сторонних хранилищах. Компания утверждает, что улучшила свой кодирующий агент с топ-30 до топ-5 в бенчмарке, изменив только хранилище — без изменения самой модели.

Это важный сигнал для команд, которые вкладывают много в выбор моделей, игнорируя инфраструктуру.

Технический стек

Структура выделяет несколько ключевых примитивов хранилища:

Файловые системы — базовый уровень. Обеспечивают долговременное хранение, позволяют сохранять работу между сессиями и создают естественные платформы для совместной работы в многогонных архитектурах. Интеграция с Git добавляет версионирование, откат и ветвление экспериментов.

Песочницы — решают проблему безопасности при запуске кода, сгенерированного агентами. Вместо локального выполнения, хранилища подключаются к изолированным средам для выполнения кода, установки зависимостей и выполнения задач. Изоляция сети и списки разрешённых команд добавляют дополнительные уровни защиты.

Память и поиск — решают проблему ограничений знаний. Стандарты вроде AGENTS.md внедряются в контекст при запуске агента, позволяя реализовать постоянное обучение, когда агенты долговременно сохраняют знания из одной сессии и используют их в будущих. Веб-поиск и инструменты вроде Context7 обеспечивают доступ к информации за пределами обучающих данных.

Борьба с «затуханием контекста»

Структура борется с явлением «затухания контекста» — ухудшением рассуждений модели по мере заполнения окна — с помощью нескольких механизмов. Компактация умно суммирует и выгружает содержимое, когда окно приближается к лимиту. Вызовы инструментов уменьшают шум от больших выводов, сохраняя только начальные и конечные токены, а полные результаты хранятся в файловой системе. Навыки реализуют постепенное раскрытие информации, загружая описание инструмента только по мере необходимости, а не загромождая контекст при запуске.

Долгосрочное выполнение задач

Для сложных автономных задач, охватывающих несколько окон контекста, LangChain предлагает паттерн Ralph Loop. Этот хук на уровне хранилища перехватывает попытки выхода модели и повторно вводит исходный запрос в чистое окно контекста, принуждая к продолжению до достижения цели. В сочетании с сохранением состояния в файловой системе, агенты могут сохранять связность при выполнении длительных задач.

Обратная связь при обучении

Продукты вроде Claude Code и Codex теперь проходят дообучение с использованием хранилищ, что создает тесную связь между возможностями модели и архитектурой хранилища. Это вызывает побочные эффекты — например, руководство по подсказкам Codex-5.3 отмечает, что изменение логики инструментов для редактирования файлов ухудшает производительность, что указывает на переобучение под конкретные конфигурации хранилищ.

LangChain применяет эти исследования в своей библиотеке deepagents, исследуя оркестрацию сотен параллельных агентов на общих кодовых базах, автоматический анализ трассировок на предмет ошибок хранилища и динамическую сборку инструментов «на лету». По мере улучшения моделей в планировании и самопроверке некоторые функции хранилищ могут быть встроены в базовые возможности. Но компания утверждает, что хорошо спроектированная инфраструктура останется ценна независимо от уровня интеллекта модели.

Источник изображения: Shutterstock