Joerg Hiller
22 ก.พ. 2026 04:38
LangChain อธิบายรายละเอียดว่าระบบหน่วยความจำของ Agent Builder ใช้อุปมาอุปไมยของระบบไฟล์และกรอบงาน COALA เพื่อสร้างเอเจนต์ AI ที่เรียนรู้และคงอยู่ได้โดยไม่ต้องเขียนโค้ด
LangChain ได้เปิดเผยสถาปัตยกรรมหน่วยความจำที่ขับเคลื่อน LangSmith Agent Builder โดยเผยให้เห็นแนวทางที่ใช้ระบบไฟล์เป็นฐาน ซึ่งช่วยให้เอเจนต์ AI เรียนรู้และปรับตัวข้ามเซสชันได้โดยไม่ต้องให้ผู้ใช้เขียนโค้ด
บริษัทได้ทำการเดิมพันที่ไม่ธรรมดา: จัดลำดับความสำคัญให้กับหน่วยความจำตั้งแต่วันแรก แทนที่จะติดตั้งทีหลังเหมือนผลิตภัณฑ์ AI ส่วนใหญ่ เหตุผลของพวกเขา? Agent Builder สร้างเอเจนต์เฉพาะงาน ไม่ใช่แชทบอทเอนกประสงค์ เมื่อเอเจนต์จัดการเวิร์กโฟลว์เดิมซ้ำๆ บทเรียนจากเซสชันวันอังคารควรถูกนำไปใช้โดยอัตโนมัติในวันพุธ
ไฟล์เป็นหน่วยความจำ
แทนที่จะสร้างโครงสร้างพื้นฐานหน่วยความจำแบบกำหนดเอง ทีมของ LangChain ใช้สิ่งที่ LLM เข้าใจดีอยู่แล้ว—ระบบไฟล์ ระบบนี้แสดงหน่วยความจำของเอเจนต์เป็นชุดไฟล์ แม้ว่าจริงๆ แล้วจะถูกเก็บใน Postgres และเปิดเผยให้เอเจนต์เป็นระบบไฟล์เสมือนจริง
สถาปัตยกรรมนี้สอดคล้องโดยตรงกับหมวดหมู่หน่วยความจำทั้งสามของเอกสารวิจัย COALA หน่วยความจำเชิงขั้นตอน—กฎที่ขับเคลื่อนพฤติกรรมของเอเจนต์—อยู่ในไฟล์ AGENTS.md และการกำหนดค่า tools.json หน่วยความจำเชิงความหมาย ครอบคลุมข้อเท็จจริงและความรู้เฉพาะทาง อยู่ในไฟล์ทักษะ ทีมตั้งใจข้ามหน่วยความจำเชิงเหตุการณ์ (บันทึกพฤติกรรมในอดีต) สำหรับการเปิดตัวครั้งแรก โดยเดิมพันว่ามันสำคัญน้อยกว่าสำหรับกรณีการใช้งานของพวกเขา
รูปแบบมาตรฐานชนะในที่ที่เป็นไปได้: AGENTS.md สำหรับคำสั่งหลัก ทักษะของเอเจนต์สำหรับงานเฉพาะทาง และรูปแบบที่ได้รับแรงบันดาลใจจาก Claude Code สำหรับเอเจนต์ย่อย ข้อยกเว้นเดียว? ไฟล์ tools.json แบบกำหนดเองแทนที่จะเป็น mcp.json มาตรฐาน ช่วยให้ผู้ใช้เปิดเผยเฉพาะเครื่องมือเฉพาะจากเซิร์ฟเวอร์ MCP และหลีกเลี่ยงการล้นของบริบท
หน่วยความจำที่สร้างตัวเอง
ผลลัพธ์เชิงปฏิบัติ: เอเจนต์ที่ปรับปรุงผ่านการแก้ไขมากกว่าการกำหนดค่า LangChain อธิบายตัวอย่างตัวสรุปการประชุมที่ฟีดแบ็กง่ายๆ ของผู้ใช้ว่า "ใช้หัวข้อย่อยแทน" อัปเดตไฟล์ AGENTS.md ของเอเจนต์โดยอัตโนมัติ ภายในเดือนที่สาม เอเจนต์ได้สะสมการตั้งค่าการจัดรูปแบบ กฎการจัดการประเภทการประชุม และคำสั่งเฉพาะผู้เข้าร่วม—ทั้งหมดโดยไม่ต้องกำหนดค่าด้วยตนเอง
การสร้างสิ่งนี้ไม่ใช่เรื่องเล็กน้อย ทีมมอบหมายคนหนึ่งเต็มเวลาให้กับการเตือนที่เกี่ยวข้องกับหน่วยความจำเพียงอย่างเดียว แก้ปัญหาเช่นเอเจนต์จำในเวลาที่ไม่ควรจำหรือเขียนไปยังประเภทไฟล์ที่ผิด บทเรียนสำคัญ: เอเจนต์เก่งในการเพิ่มข้อมูลแต่ประสบปัญหาในการรวบรวม ผู้ช่วยอีเมลหนึ่งเริ่มแสดงรายชื่อผู้ขายทุกรายที่จะเพิกเฉยมากกว่าการสรุปเป็น "เพิกเฉยการติดต่อเย็นทั้งหมด"
ต้องได้รับการอนุมัติจากมนุษย์
การแก้ไขหน่วยความจำทั้งหมดต้องการการอนุมัติจากมนุษย์อย่างชัดเจนตามค่าเริ่มต้น—มาตรการรักษาความปลอดภัยต่อการโจมตีแบบฉีดพรอมต์ ผู้ใช้สามารถปิดการใช้งาน "โหมด yolo" นี้ได้หากพวกเขากังวลน้อยกว่าเกี่ยวกับอินพุตที่เป็นปรปักษ์
แนวทางระบบไฟล์ช่วยให้มีความสามารถในการพกพาที่ DSL แบบล็อคอินไม่สามารถเทียบได้ เอเจนต์ที่สร้างใน Agent Builder สามารถทำงานบน Deep Agents CLI, Claude Code หรือ OpenCode ได้ตามทฤษฎีด้วยแรงเสียดทานน้อยที่สุด
สิ่งที่กำลังจะมาถึง
LangChain ร่างการปรับปรุงที่วางแผนไว้หลายอย่าง: หน่วยความจำเชิงเหตุการณ์ผ่านการเปิดเผยประวัติการสนทนาเป็นไฟล์ กระบวนการหน่วยความจำพื้นหลังที่ทำงานรายวันเพื่อจับการเรียนรู้ที่พลาด คำสั่ง /remember ที่ชัดเจน การค้นหาเชิงความหมายเหนือ grep พื้นฐาน และลำดับชั้นหน่วยความจำระดับผู้ใช้หรือระดับองค์กร
สำหรับนักพัฒนาที่สร้างเอเจนต์ AI ตัวเลือกทางเทคนิคที่นี่มีความสำคัญ อุปมาอุปไมยของระบบไฟล์หลีกเลี่ยงความซับซ้อนของ API หน่วยความจำแบบกำหนดเองในขณะที่ยังคงเป็น LLM-native ไว้ ไม่ว่าแนวทางนี้จะขยายขนาดได้เมื่อเอเจนต์จัดการงานที่ซับซ้อนและดำเนินการนานขึ้นยังคงเป็นคำถามที่เปิดกว้าง—แต่ LangChain เดิมพันว่าไฟล์เอาชนะกรอบงานสำหรับการสร้างเอเจนต์แบบไม่ใช้โค้ด
แหล่งที่มาของภาพ: Shutterstock
แหล่งที่มา: https://blockchain.news/news/langchain-agent-builder-memory-system-architecture
