LangChain ujawnia architekturę pamięci stojącą za platformą Agent Builder

Joerg Hiller
22 lutego 2026 04:38

LangChain szczegółowo opisuje, jak jego system pamięci Agent Builder wykorzystuje metafory systemu plików i framework COALA do tworzenia trwałych, uczących się agentów AI bez kodu.

LangChain uchylił zasłonę nad architekturą pamięci zasilającą jego LangSmith Agent Builder, ujawniając podejście oparte na systemie plików, które pozwala agentom AI uczyć się i dostosowywać między sesjami bez wymagania od użytkowników pisania kodu.

Firma postawiła na niekonwencjonalny zakład: priorytetowe traktowanie pamięci od pierwszego dnia, zamiast dodawania jej później, jak większość produktów AI. Ich uzasadnienie? Agent Builder tworzy agentów specyficznych dla zadań, a nie chatboty ogólnego przeznaczenia. Gdy agent wielokrotnie obsługuje ten sam przepływ pracy, lekcje z wtorkowej sesji powinny automatycznie stosować się w środę.

Pliki jako pamięć

Zamiast budować niestandardową infrastrukturę pamięci, zespół LangChain oparł się na czymś, co LLM-y już dobrze rozumieją — systemach plików. System reprezentuje pamięć agenta jako zbiór plików, choć faktycznie są one przechowywane w Postgres i udostępniane agentom jako wirtualny system plików.

Architektura mapuje bezpośrednio na trzy kategorie pamięci z pracy badawczej COALA. Pamięć proceduralna — zasady kierujące zachowaniem agenta — znajduje się w plikach AGENTS.md i konfiguracjach tools.json. Pamięć semantyczna, obejmująca fakty i specjalistyczną wiedzę, rezyduje w plikach umiejętności. Zespół celowo pominął pamięć epizodyczną (zapisy przeszłych zachowań) w początkowym wydaniu, stawiając na to, że ma ona mniejsze znaczenie dla ich przypadku użycia.

Standardowe formaty zwyciężyły tam, gdzie to możliwe: AGENTS.md dla podstawowych instrukcji, umiejętności agenta dla specjalistycznych zadań i format inspirowany Claude Code dla subagentów. Jedyny wyjątek? Niestandardowy plik tools.json zamiast standardowego mcp.json, pozwalający użytkownikom udostępniać tylko określone narzędzia z serwerów MCP i unikać przepełnienia kontekstu.

Pamięć, która sama się buduje

Praktyczny rezultat: agenci, którzy ulepszają się poprzez korektę, a nie konfigurację. LangChain przedstawił przykład sumaryzatora spotkań, gdzie prosta informacja zwrotna użytkownika „użyj punktów wypunktowania zamiast tego" automatycznie zaktualizowała plik AGENTS.md agenta. Po trzech miesiącach agent zgromadził preferencje formatowania, zasady obsługi typów spotkań i instrukcje specyficzne dla uczestników — wszystko bez ręcznej konfiguracji.

Zbudowanie tego nie było trywialne. Zespół poświęcił jedną osobę w pełnym wymiarze godzin wyłącznie na promptowanie związane z pamięcią, rozwiązując problemy takie jak zapamiętywanie przez agentów, gdy nie powinni, lub zapisywanie do niewłaściwych typów plików. Kluczowa lekcja: agenci doskonale radzą sobie z dodawaniem informacji, ale mają trudności z konsolidacją. Jeden asystent e-mailowy zaczął wymieniać każdego dostawcę do ignorowania, zamiast uogólniać do „ignoruj wszystkie cold outreach".

Wymagana jest zgoda człowieka

Wszystkie edycje pamięci domyślnie wymagają wyraźnej zgody człowieka — środka bezpieczeństwa przeciwko atakom typu prompt injection. Użytkownicy mogą wyłączyć ten „tryb yolo", jeśli są mniej zaniepokojeni wrogimi wejściami.

Podejście oparte na systemie plików umożliwia przenośność, której zamknięte DSL-e nie mogą dorównać. Agenci zbudowani w Agent Builder mogą teoretycznie działać na Deep Agents CLI, Claude Code lub OpenCode z minimalnym tarciem.

Co nadchodzi

LangChain nakreślił kilka planowanych ulepszeń: pamięć epizodyczną poprzez udostępnianie historii rozmów jako plików, procesy pamięci w tle działające codziennie w celu wychwycenia pominiętych nauk, wyraźne polecenie /remember, wyszukiwanie semantyczne wykraczające poza podstawowy grep oraz hierarchie pamięci na poziomie użytkownika lub organizacji.

Dla programistów budujących agentów AI wybory techniczne tutaj mają znaczenie. Metafora systemu plików omija złożoność niestandardowych API pamięci, pozostając jednocześnie natywna dla LLM. Czy to podejście skaluje się, gdy agenci obsługują bardziej złożone, długotrwałe zadania, pozostaje otwartym pytaniem — ale LangChain stawia, że pliki pokonują frameworki w budowaniu agentów bez kodu.

Źródło obrazu: Shutterstock