Joerg Hiller
22.02.2026 04:38
LangChain erläutert, wie sein Agent Builder-Speichersystem Dateisystem-Metaphern und das COALA-Framework nutzt, um persistente, lernende AI Agents ohne Code zu erstellen.
LangChain hat die Speicherarchitektur seines LangSmith Agent Builder offengelegt und einen dateisystembasierten Ansatz enthüllt, der es AI Agents ermöglicht, sitzungsübergreifend zu lernen und sich anzupassen, ohne dass Benutzer Code schreiben müssen.
Das Unternehmen setzte auf eine unkonventionelle Strategie: Priorisierung des Speichers von Tag eins an, anstatt ihn später wie bei den meisten AI-Produkten hinzuzufügen. Die Begründung? Agent Builder erstellt aufgabenspezifische Agents, keine universellen Chatbots. Wenn ein Agent denselben Workflow wiederholt bearbeitet, sollten Erkenntnisse aus der Dienstagssitzung automatisch am Mittwoch angewendet werden.
Dateien als Speicher
Anstatt eine benutzerdefinierte Speicherinfrastruktur aufzubauen, setzte das LangChain-Team auf etwas, das LLMs bereits gut verstehen – Dateisysteme. Das System repräsentiert den Agent-Speicher als eine Sammlung von Dateien, obwohl diese tatsächlich in Postgres gespeichert und den Agents als virtuelles Dateisystem zur Verfügung gestellt werden.
Die Architektur entspricht direkt den drei Speicherkategorien des COALA-Forschungspapiers. Prozedurales Gedächtnis – die Regeln, die das Verhalten des Agents steuern – befindet sich in AGENTS.md-Dateien und tools.json-Konfigurationen. Semantisches Gedächtnis, das Fakten und spezialisiertes Wissen umfasst, ist in Skill-Dateien gespeichert. Das Team verzichtete für die erste Version bewusst auf episodisches Gedächtnis (Aufzeichnungen vergangenen Verhaltens), da es für ihren Anwendungsfall weniger relevant ist.
Standardformate wurden wo möglich bevorzugt: AGENTS.md für Kernanweisungen, Agent-Skills für spezialisierte Aufgaben und ein von Claude Code inspiriertes Format für Subagenten. Die einzige Ausnahme? Eine benutzerdefinierte tools.json-Datei anstelle der Standard-mcp.json, die es Benutzern ermöglicht, nur bestimmte Tools von MCP-Servern bereitzustellen und Kontextüberlauf zu vermeiden.
Speicher, der sich selbst aufbaut
Das praktische Ergebnis: Agents, die sich durch Korrektur statt durch Konfiguration verbessern. LangChain demonstrierte ein Beispiel eines Meeting-Zusammenfassers, bei dem das einfache Feedback eines Benutzers „verwende stattdessen Aufzählungspunkte" automatisch die AGENTS.md-Datei des Agents aktualisierte. Nach drei Monaten hatte der Agent Formatierungspräferenzen, Regeln zur Handhabung von Meeting-Typen und teilnehmerspezifische Anweisungen gesammelt – alles ohne manuelle Konfiguration.
Dies zu entwickeln war nicht trivial. Das Team widmete eine Person Vollzeit allein der speicherbezogenen Eingabeaufforderung und löste Probleme wie Agents, die sich erinnern, wenn sie es nicht sollten, oder in falsche Dateitypen schreiben. Eine wichtige Erkenntnis: Agents sind hervorragend im Hinzufügen von Informationen, haben aber Schwierigkeiten beim Konsolidieren. Ein E-Mail-Assistent begann, jeden Anbieter aufzulisten, den er ignorieren sollte, anstatt zu verallgemeinern auf „alle Kaltakquise ignorieren".
Menschliche Genehmigung erforderlich
Alle Speicherbearbeitungen erfordern standardmäßig eine ausdrückliche menschliche Genehmigung – eine Sicherheitsmaßnahme gegen Prompt-Injection-Angriffe. Benutzer können diesen „Yolo-Modus" deaktivieren, wenn sie weniger besorgt über gegnerische Eingaben sind.
Der Dateisystem-Ansatz ermöglicht eine Portabilität, die gebundene DSLs nicht bieten können. Agents, die in Agent Builder erstellt wurden, können theoretisch mit minimaler Reibung auf Deep Agents CLI, Claude Code oder OpenCode ausgeführt werden.
Was kommt
LangChain skizzierte mehrere geplante Verbesserungen: episodisches Gedächtnis durch Bereitstellung des Gesprächsverlaufs als Dateien, täglich laufende Hintergrund-Speicherprozesse zum Erfassen verpasster Erkenntnisse, einen expliziten /remember-Befehl, semantische Suche über einfaches Grep hinaus und Speicherhierarchien auf Benutzer- oder Organisationsebene.
Für Entwickler, die AI Agents erstellen, sind die technischen Entscheidungen hier wichtig. Die Dateisystem-Metapher umgeht die Komplexität benutzerdefinierter Speicher-APIs und bleibt dabei LLM-nativ. Ob dieser Ansatz skaliert, wenn Agents komplexere, länger laufende Aufgaben bewältigen, bleibt eine offene Frage – aber LangChain setzt darauf, dass Dateien Frameworks für die No-Code-Agent-Erstellung übertreffen.
Bildquelle: Shutterstock
Quelle: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
