LangChain میانافزار Agent را برای توسعه هارنس سفارشی AI Agent رونمایی میکند
فلیکس پینکستون 1405/01/06 15:31
LangChain سیستم AgentMiddleware را معرفی میکند که به توسعهدهندگان امکان میدهد رفتار AI Agent را با قلابهایی برای شناسایی PII، انتخاب ابزار پویا و ویژگیهای آماده تولید سفارشیسازی کنند.
LangChain یک سیستم میانافزار جامع منتشر کرده است که به توسعهدهندگان اجازه میدهد رفتار AI Agent را بدون بازسازی زیرساخت اصلی از ابتدا سفارشیسازی کنند. این چارچوب که در پست وبلاگ 1405/01/06 شرح داده شده است، شش قلاب متمایز را معرفی میکند که اجرای Agent را در هر مرحله از حلقه رهگیری و تغییر میدهند.
معماری میانافزار به یک نقطه درد مداوم در توسعه Agent میپردازد: شکاف بین نمونههای اولیه آماده دمو و سیستمهای تولید. در حالی که سفارشیسازی پایه مانند جابجایی دستورات سیستم یا اضافه کردن ابزارها همیشه ساده بوده است، تغییر حلقه اصلی Agent—آنچه قبل از فراخوانی مدل اتفاق میافتد، نحوه اجرای ابزارها، زمان مداخله انسان—نیازمند کد سفارشی گسترده بود.
نحوه کار سیستم قلاب
AgentMiddleware شش نقطه مداخله را نمایان میکند. before_agent یک بار در فراخوانی برای بارگذاری حافظه یا اعتبارسنجی ورودیها فعال میشود. before_model قبل از هر فراخوانی LLM اجرا میشود، برای کوتاه کردن تاریخچه یا دریافت دادههای حساس مفید است. wrap_model_call کش، تلاش مجدد و اتصال ابزار پویا را مدیریت میکند. wrap_tool_call همین کار را برای اجرای ابزار انجام میدهد. after_model در گردشهای کاری انسان در حلقه جای میگیرد. after_agent پاکسازی و اطلاعرسانی را مدیریت میکند.
این میانافزارها روی هم قرار میگیرند. توسعهدهندگان میتوانند چندین تغییر را بدون تضاد لایهبندی کنند.
راهحلهای داخلی برای مشکلات رایج
LangChain میانافزار از پیش ساختهشده را برای الگوهایی که در استقرارهای تولید ظاهر میشوند ارائه میدهد. PIIMiddleware قلابهای before_model و after_model را برای پوشاندن، حذف یا هش کردن اطلاعات قابل شناسایی شخصی پیادهسازی میکند—حیاتی برای انطباق HIPAA که در آن نمیتوانید به سادگی با دستور خود را به ایمنی قانونی برسانید.
LLMToolSelectorMiddleware با اجرای یک مدل سریع برای شناسایی ابزارهای مرتبط از یک رجیستری قبل از فراخوانی اصلی، با اتصال فقط آنچه مورد نیاز است، به تورم زمینه میپردازد. SummarizationMiddleware با فشردهسازی تاریخچه پیامها زمانی که تعداد توکنها خیلی بالا میرود، از سرریز زمینه جلوگیری میکند.
ModelRetryMiddleware فراخوانیهای API را با منطق تلاش مجدد قابل پیکربندی پوشش میدهد—تعداد تلاش مجدد، عوامل عقبنشینی، تاخیرهای اولیه برای محدودسازی نرخ. ShellToolMiddleware مقداردهی اولیه منابع و تخریب در اطراف حلقههای Agent را مدیریت میکند.
Deep Agents به عنوان اثبات مفهوم
LangChain Deep Agents را به طور کامل روی این پشته میانافزار ساخته است تا معماری را اعتبارسنجی کند. هارنس Agent روی create_agent، نقطه ورود استاندارد LangChain، با میانافزار تخصصی لایهبندی شده در بالا اجرا میشود: FilesystemMiddleware برای مدیریت زمینه مبتنی بر فایل، SubagentMiddleware برای Subagent های ایزوله شده زمینه، SkillsMiddleware برای افشای تدریجی قابلیت.
این رویکرد به تیمها اجازه میدهد نگرانیهای مختلف را به طور مستقل داشته باشند. منطق تجاری از کد اصلی Agent جدا باقی میماند. میانافزار قابل استفاده مجدد میتواند بدون اتصال محکم در سراسر سازمانها پخش شود.
این برای توسعه Agent چه معنایی دارد
LangChain تصدیق میکند که بهبود قابلیتهای مدل در نهایت برخی از عملکردهای میانافزار فعلی را جذب خواهد کرد—خلاصهسازی، انتخاب ابزار، کوتاه کردن خروجی ممکن است به خود مدلها منتقل شوند. اما اعمال سیاست قطعی، محافظهای تولید و منطق خاص کسبوکار مهاجرت نخواهند کرد. آنها در لایه هارنس باقی میمانند.
توسعهدهندگان میتوانند با create_agent برای تنظیمات حداقلی یا create_deep_agent برای پایههای قویتر شروع کنند. مشارکتهای میانافزار سفارشی از طریق مستندات یکپارچهسازی LangChain پذیرفته میشوند.
- langchain
- ai agents
- میانافزار
- deep agents
- ابزارهای توسعهدهنده
