Joerg Hiller
22 feb 2026 04:38
LangChain legt uit hoe zijn Agent Builder-geheugensysteem bestandssysteemmetaforen en het COALA-framework gebruikt om persistente, lerende AI-agents te creëren zonder code.
LangChain heeft het gordijn opzijgeschoven over de geheugenarchitectuur die zijn LangSmith Agent Builder aandrijft, waarbij een op bestandssystemen gebaseerde benadering wordt onthuld waarmee AI-agents kunnen leren en zich kunnen aanpassen over sessies heen zonder dat gebruikers code hoeven te schrijven.
Het bedrijf deed een onconventionele gok: prioriteit geven aan geheugen vanaf dag één in plaats van het later toe te voegen zoals de meeste AI-producten. Hun redenering? Agent Builder creëert taakspecifieke agents, geen chatbots voor algemeen gebruik. Wanneer een agent dezelfde workflow herhaaldelijk afhandelt, moeten lessen van de dinsdagsessie automatisch gelden op woensdag.
Bestanden als Geheugen
In plaats van aangepaste geheugeninfrastructuur te bouwen, leunde het team van LangChain op iets wat LLM's al goed begrijpen—bestandssystemen. Het systeem vertegenwoordigt agentgeheugen als een verzameling bestanden, hoewel ze daadwerkelijk in Postgres worden opgeslagen en aan agents worden blootgesteld als een virtueel bestandssysteem.
De architectuur sluit direct aan bij de drie geheugencategorieën van het COALA-onderzoekspaper. Procedureel geheugen—de regels die agentgedrag aansturen—bevindt zich in AGENTS.md-bestanden en tools.json-configuraties. Semantisch geheugen, dat feiten en gespecialiseerde kennis omvat, bevindt zich in vaardigheidsbestanden. Het team sloeg episodisch geheugen (records van eerder gedrag) bewust over voor de initiële release, gokken dat het minder belangrijk is voor hun use case.
Standaardformaten wonnen waar mogelijk: AGENTS.md voor kerninstructies, agentvaardigheidsbestanden voor gespecialiseerde taken, en een door Claude Code geïnspireerd formaat voor subagents. De enige uitzondering? Een aangepast tools.json-bestand in plaats van standaard mcp.json, waardoor gebruikers alleen specifieke tools van MCP-servers kunnen blootstellen en contextoverloop kunnen vermijden.
Geheugen dat Zichzelf Bouwt
Het praktische resultaat: agents die verbeteren door correctie in plaats van configuratie. LangChain liep door een voorbeeld van een vergaderingssamenvatting waarbij de eenvoudige feedback "gebruik in plaats daarvan opsommingstekens" van een gebruiker automatisch het AGENTS.md-bestand van de agent bijwerkte. Tegen maand drie had de agent opmaakvoorkeuren, regels voor het afhandelen van vergaderingstypes en deelnemerspecifieke instructies verzameld—allemaal zonder handmatige configuratie.
Dit bouwen was niet triviaal. Het team wijdde één persoon fulltime aan geheugen-gerelateerde prompting alleen, waarbij problemen werden opgelost zoals agents die zich herinneren wanneer ze dat niet zouden moeten of naar verkeerde bestandstypen schrijven. Een belangrijke les: agents blinken uit in het toevoegen van informatie maar worstelen met consolideren. Een e-mailassistent begon elke leverancier te vermelden die genegeerd moest worden in plaats van te generaliseren naar "negeer alle koude outreach."
Menselijke Goedkeuring Vereist
Alle geheugenbewerkingen vereisen standaard expliciete menselijke goedkeuring—een beveiligingsmaatregel tegen prompt injection-aanvallen. Gebruikers kunnen deze "yolo-modus" uitschakelen als ze minder bezorgd zijn over adversariële inputs.
De bestandssysteembenadering maakt draagbaarheid mogelijk die vergrendelde DSL's niet kunnen evenaren. Agents die in Agent Builder zijn gebouwd, kunnen theoretisch draaien op Deep Agents CLI, Claude Code of OpenCode met minimale wrijving.
Wat Komt Er
LangChain schetste verschillende geplande verbeteringen: episodisch geheugen door conversatiegeschiedenis als bestanden bloot te stellen, achtergrondgeheugenprocessen die dagelijks draaien om gemiste lessen te vangen, een expliciete /remember-opdracht, semantisch zoeken voorbij basis grep, en gebruikersniveau- of organisatieniveaugeheugenhiërarchieën.
Voor ontwikkelaars die AI-agents bouwen, doen de technische keuzes hier ertoe. De bestandssysteemmetafoor omzeilt de complexiteit van aangepaste geheugen-API's terwijl het LLM-native blijft. Of deze benadering schaalt naarmate agents complexere, langlopende taken afhandelen, blijft een open vraag—maar LangChain gokt dat bestanden frameworks verslaan voor no-code agent building.
Afbeeldingsbron: Shutterstock
Bron: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
