LangChain визначає архітектуру агентського каркаса для розробки ШІ

Тімоті Морано

11 березня 2026, 04:56

Новий фреймворк LangChain розбиває на частини, як агентські рушії перетворюють сирі моделі ШІ у системи, готові до виробництва, за допомогою файлових систем, ізоляційних середовищ і управління пам’яттю.

LangChain опублікував всебічний технічний аналіз архітектури агентських рушіїв, закодовуючи інфраструктурний рівень, який перетворює сирі мовні моделі у автономні робочі двигуни. Цей фреймворк, автором якого є Вівек Тріведі 11 березня 2026 року, з’являється у час, коли інженерія рушіїв стає критичним фактором у продуктивності AI-агентів.

Основна ідея досить проста: Агент = Модель + Рушій. Все, що не є самою моделлю — системні підказки, виконання інструментів, логіка оркестрації, проміжний шар — належить до відповідальності рушія. Сирі моделі не можуть зберігати стан під час взаємодій, виконувати код або отримувати доступ до актуальної інформації. Рушій заповнює ці прогалини.

Чому це важливо для розробників

Дані лідерборду Terminal Bench 2.0 від LangChain показують щось несподіване. Результати Anthropic’s Opus 4.6, що працює у Claude Code, значно нижчі, ніж та сама модель у оптимізованих сторонніх рушіях. Компанія стверджує, що покращила свого кодового агента з Топ-30 до Топ-5 у бенчмарку, змінивши лише рушій — не саму модель.

Це важливий сигнал для команд, які інвестують багато у вибір моделей, ігноруючи інфраструктуру.

Технічний стек

Фреймворк визначає кілька основних примітивів рушія:

Файлові системи слугують базовим рівнем. Вони забезпечують надійне зберігання, дозволяють зберігати стан між сесіями та створюють природні платформи для співпраці у багатороботних архітектурах. Інтеграція з Git додає версіонування, можливості відкату та гілкування експериментів.

Ізоляційні середовища вирішують проблему безпеки запуску коду, створеного агентами. Замість локального виконання, рушії підключаються до ізольованих середовищ для виконання коду, встановлення залежностей і завершення завдань. Ізоляція мережі та дозволи на команди додають додаткові рівні захисту.

Пам’ять і пошук вирішують обмеження знань. Стандарти на кшталт AGENTS.md вставляються у контекст при запуску агента, що дозволяє формі безперервного навчання — агенти зберігають знання з однієї сесії та мають до них доступ у майбутніх. Веб-пошук і інструменти, такі як Context7, забезпечують доступ до інформації понад межі тренування.

Боротьба з “зношенням” контексту

Фреймворк бореться з “зношенням” контексту — деградацією здатності моделі мислити, коли заповнюються вікна контексту — за допомогою кількох механізмів. Компакція інтелектуально підсумовує та передає контент, коли вікна наближаються до межі. Передача викликів інструментів зменшує шум від великих виходів, зберігаючи лише головні та кінцеві токени, а повні результати зберігаються у файловій системі. Навички реалізують прогресивне розкриття — опис інструментів завантажується лише за потреби, а не засмічує контекст при запуску.

Виконання довгострокових завдань

Для складних автономних робіт, що охоплюють кілька вікон контексту, LangChain пропонує патерн Ralph Loop. Цей хук на рівні рушія перехоплює спроби виходу моделі і повторно вводить початкову підказку у чисте вікно контексту, примушуючи продовжувати до досягнення цілей. У поєднанні з збереженням стану у файловій системі, агенти можуть зберігати цілісність під час тривалих завдань.

Зворотній зв’язок під час тренування

Продукти, такі як Claude Code і Codex, тепер проходять додаткове тренування з використанням рушіїв, що створює тісний зв’язок між можливостями моделі та дизайном рушія. Це має побічні ефекти — наприклад, у керівництві Codex-5.3 зазначено, що зміна логіки інструментів для редагування файлів погіршує продуктивність, що свідчить про перенавчання під конкретні конфігурації рушіїв.

LangChain застосовує ці дослідження у своїй бібліотеці deepagents, досліджуючи оркестрацію сотень паралельних агентів на спільних кодових базах, самостійний аналіз трас для виявлення збоїв на рівні рушія та динамічне складання інструментів у режимі реального часу. Оскільки моделі покращуються у плануванні та самоперевірці, частина функціональності рушіїв може бути інтегрована у базові можливості. Але компанія стверджує, що добре спроектована інфраструктура залишатиметься цінною незалежно від рівня інтелекту моделі.

Джерело зображення: Shutterstock