LangChain เปิดตัว Agent Middleware สำหรับการพัฒนา AI Harness แบบกำหนดเอง

Felix Pinkston 26 มี.ค. 2026 15:31

LangChain แนะนำระบบ AgentMiddleware ที่ช่วยให้นักพัฒนาปรับแต่งพฤติกรรมของ AI agent ด้วย hooks สำหรับการตรวจจับ PII การเลือกเครื่องมือแบบไดนามิก และฟีเจอร์ที่พร้อมใช้งานจริง

LangChain เปิดตัว Agent Middleware สำหรับการพัฒนา AI Harness แบบกำหนดเอง

LangChain ได้เปิดตัวระบบ middleware ที่ครอบคลุมซึ่งช่วยให้นักพัฒนาปรับแต่งพฤติกรรมของ AI agent โดยไม่ต้องสร้างโครงสร้างพื้นฐานหลักขึ้นมาใหม่ทั้งหมด เฟรมเวิร์กนี้ซึ่งมีรายละเอียดในบล็อกโพสต์วันที่ 26 มีนาคม 2026 แนะนำ hooks หกแบบที่แตกต่างกันซึ่งดักจับและปรับเปลี่ยนการทำงานของ agent ในทุกขั้นตอนของลูป

สถาปัตยกรรม middleware นี้แก้ไขจุดปวดหัวที่มีมานานในการพัฒนา agent: ช่องว่างระหว่างต้นแบบที่พร้อมสาธิตกับระบบที่ใช้งานจริง ในขณะที่การปรับแต่งพื้นฐานเช่นการสลับ system prompts หรือการเพิ่มเครื่องมือนั้นตรงไปตรงมาเสมอมา การแก้ไข agent loop พื้นฐาน—สิ่งที่เกิดขึ้นก่อนการเรียกโมเดล วิธีการทำงานของเครื่องมือ เมื่อมนุษย์เข้ามาแทรกแซง—ต้องใช้โค้ดที่กำหนดเองอย่างกว้างขวาง

วิธีการทำงานของระบบ Hook

AgentMiddleware เปิดเผยจุดแทรกแซงหกจุด before_agent ทำงานครั้งเดียวเมื่อเรียกใช้เพื่อโหลดหน่วยความจำหรือตรวจสอบอินพุต before_model ทำงานก่อนการเรียก LLM แต่ละครั้ง มีประโยชน์สำหรับการตัดประวัติหรือจับข้อมูลที่ละเอียดอ่อน wrap_model_call จัดการแคช การลองใหม่ และการผูก tool แบบไดนามิก wrap_tool_call ทำสิ่งเดียวกันสำหรับการทำงานของเครื่องมือ after_model ใส่เข้าไปในเวิร์กโฟลว์ human-in-the-loop after_agent จัดการการทำความสะอาดและการแจ้งเตือน

middleware เหล่านี้ซ้อนกันได้ นักพัฒนาสามารถวางการปรับเปลี่ยนหลายชั้นโดยไม่มีความขัดแย้ง

โซลูชันในตัวสำหรับปัญหาทั่วไป

LangChain มาพร้อมกับ middleware ที่สร้างไว้แล้วสำหรับรูปแบบที่ปรากฏขึ้นซ้ำๆ ในการใช้งานจริง PIIMiddleware ใช้ hooks before_model และ after_model เพื่อปกปิด แก้ไข หรือแฮชข้อมูลส่วนบุคคล—สำคัญสำหรับการปฏิบัติตาม HIPAA ที่คุณไม่สามารถใช้ prompt เพื่อความปลอดภัยทางกฎหมายได้

LLMToolSelectorMiddleware แก้ปัญหาบริบทที่บวมโดยการใช้โมเดลที่รวดเร็วในการระบุเครื่องมือที่เกี่ยวข้องจากรีจิสทรีก่อนการเรียกหลัก ผูกเฉพาะสิ่งที่จำเป็น SummarizationMiddleware ป้องกันบริบทล้นโดยการบีบอัดประวัติข้อความเมื่อจำนวน token สูงเกินไป

ModelRetryMiddleware ห่อการเรียก API ด้วยตรรกะการลองใหม่ที่กำหนดค่าได้—จำนวนการลองใหม่ ปัจจัยย้อนกลับ ความล่าช้าเริ่มต้นสำหรับการจำกัดอัตรา ShellToolMiddleware จัดการการเริ่มต้นทรัพยากรและการรื้อถอนรอบๆ agent loops

Deep Agents เป็นหลักฐานแนวคิด

LangChain สร้าง Deep Agents ทั้งหมดบน middleware stack นี้เพื่อตรวจสอบสถาปัตยกรรม agent harness ทำงานบน create_agent จุดเข้าใช้งานมาตรฐานของ LangChain พร้อมกับ middleware เฉพาะทางที่วางซ้อนทับด้านบน: FilesystemMiddleware สำหรับการจัดการบริบทแบบไฟล์ SubagentMiddleware สำหรับ subagents ที่แยกบริบท SkillsMiddleware สำหรับการเปิดเผยความสามารถแบบค่อยเป็นค่อยไป

แนวทางนี้ช่วยให้ทีมเป็นเจ้าของข้อกังวลที่แตกต่างกันได้อย่างอิสระ ตรรกะทางธุรกิจยังคงแยกออกจากโค้ด agent หลัก middleware ที่นำกลับมาใช้ได้สามารถกระจายไปทั่วองค์กรโดยไม่มีการเชื่อมโยงแน่น

สิ่งนี้หมายความว่าอย่างไรสำหรับการพัฒนา Agent

LangChain ยอมรับว่าการปรับปรุงความสามารถของโมเดลในที่สุดจะดูดซับฟังก์ชัน middleware ปัจจุบันบางอย่าง—การสรุป การเลือกเครื่องมือ การตัดเอาต์พุตอาจย้ายเข้าไปในตัวโมเดลเอง แต่การบังคับใช้นโยบายแบบกำหนดได้ ราวป้องกันการผลิต และตรรกะเฉพาะธุรกิจจะไม่ย้าย สิ่งเหล่านั้นอยู่ในชั้น harness

นักพัฒนาสามารถเริ่มต้นด้วย create_agent สำหรับการตั้งค่าขั้นต่ำหรือ create_deep_agent สำหรับรากฐานที่แข็งแกร่งกว่า การมีส่วนร่วม middleware แบบกำหนดเองได้รับการยอมรับผ่านเอกสารการผสานรวมของ LangChain

แหล่งที่มาของภาพ: Shutterstock