LangChain onthult Agent Middleware voor aangepaste AI Harness-ontwikkeling
Felix Pinkston 26 mrt 2026 15:31
LangChain introduceert AgentMiddleware-systeem waarmee ontwikkelaars AI-agentgedrag kunnen aanpassen met hooks voor PII-detectie, dynamische toolselectie en productierijpe functies.
LangChain heeft een uitgebreid middlewaresysteem uitgebracht waarmee ontwikkelaars AI-agentgedrag kunnen aanpassen zonder de kerninfrastructuur vanaf nul opnieuw op te bouwen. Het framework, gedetailleerd beschreven in een blogpost van 26 maart 2026, introduceert zes verschillende hooks die agentuitvoering onderscheppen en wijzigen in elke fase van de loop.
De middleware-architectuur pakt een hardnekkig pijnpunt aan in agentontwikkeling: de kloof tussen demo-klare prototypes en productiesystemen. Hoewel basale aanpassingen zoals het verwisselen van systeemprompts of het toevoegen van tools altijd eenvoudig zijn geweest, vereiste het wijzigen van de fundamentele agentloop—wat er gebeurt vóór modelaanroepen, hoe tools worden uitgevoerd, wanneer mensen ingrijpen—uitgebreide aangepaste code.
Hoe het hooksysteem werkt
AgentMiddleware biedt zes interventiepunten. before_agent wordt eenmaal geactiveerd bij aanroep voor het laden van geheugen of het valideren van invoer. before_model wordt uitgevoerd vóór elke LLM-aanroep, handig voor het inkorten van geschiedenis of het opvangen van gevoelige gegevens. wrap_model_call regelt caching, nieuwe pogingen en dynamische toolbinding. wrap_tool_call doet hetzelfde voor tooluitvoering. after_model past in human-in-the-loop workflows. after_agent regelt opschoning en meldingen.
Deze middlewares stapelen zich op. Ontwikkelaars kunnen meerdere wijzigingen lagen zonder conflicten.
Ingebouwde oplossingen voor veelvoorkomende problemen
LangChain levert voorgebouwde middleware voor patronen die steeds opduiken in productie-implementaties. PIIMiddleware implementeert before_model en after_model hooks om persoonlijk identificeerbare informatie te maskeren, redigeren of hashen—cruciaal voor HIPAA-naleving waar je niet simpelweg kunt prompten naar juridische veiligheid.
LLMToolSelectorMiddleware pakt contextophoping aan door een snel model uit te voeren om relevante tools uit een register te identificeren vóór de hoofdaanroep, waarbij alleen wat nodig is wordt gebonden. SummarizationMiddleware voorkomt contextoverloop door berichtgeschiedenis te comprimeren wanneer tokenaantallen te hoog oplopen.
ModelRetryMiddleware wikkelt API-aanroepen in met configureerbare logica voor nieuwe pogingen—aantal pogingen, uitselfactoren, initiële vertragingen voor snelheidsbeperking. ShellToolMiddleware regelt resource-initialisatie en -afbraak rond agentloops.
Deep Agents als proof of concept
LangChain heeft Deep Agents volledig op deze middleware-stack gebouwd om de architectuur te valideren. De agent harness draait op create_agent, LangChain's standaard toegangspunt, met gespecialiseerde middleware erop gelaagd: FilesystemMiddleware voor bestandsgebaseerd contextbeheer, SubagentMiddleware voor context-geïsoleerde subagents, SkillsMiddleware voor progressieve capability-onthulling.
De aanpak laat teams verschillende belangen onafhankelijk beheren. Bedrijfslogica blijft losgekoppeld van kernagentcode. Herbruikbare middleware kan zich verspreiden over organisaties zonder strakke koppeling.
Wat dit betekent voor agentontwikkeling
LangChain erkent dat verbeterde modelcapaciteiten uiteindelijk sommige huidige middlewarefuncties zullen absorberen—samenvatting, toolselectie, outputinkorten kunnen naar de modellen zelf verhuizen. Maar deterministische beleidshandhaving, productie-veiligheidsmechanismen en bedrijfsspecifieke logica zullen niet migreren. Die blijven in de harnesslaag.
Ontwikkelaars kunnen beginnen met create_agent voor minimale opstellingen of create_deep_agent voor robuustere fundamenten. Aangepaste middlewarebijdragen worden geaccepteerd via LangChain's integratiedocumentatie.
- langchain
- ai agents
- middleware
- deep agents
- ontwikkelaarstools
