Caricamento...

Il creatore di framework IA LangChain ha illustrato un framework operativo chiamato "knowledge factory" (fabbrica della conoscenza), progettato per catturare, curare e mantenere continuamente la conoscenza aziendale implicita per gli agenti IA. Secondo un post sul blog di LangChain, il principale collo di bottiglia che impedisce agli agenti di eseguire attività di conoscenza generale non è più la capacità del modello o la lunghezza del contesto grezzo, ma la mancanza di standard operativi curati, contesto di dominio interno e linee guida per le query sui dati. L'azienda suggerisce che, invece di documentare manualmente ogni processo interno, le aziende dovrebbero implementare cicli di contesto automatizzati in cui gli agenti curatori in background aggiornano le basi di conoscenza aziendali direttamente dalle interazioni dei dipendenti e dai registri di tracciamento degli agenti.
Secondo il blog di LangChain, le attività di conoscenza generale come la creazione di presentazioni di vendita, la pubblicazione di video e la gestione di campagne in uscita possono essere delegate sempre più ad agenti IA, a condizione che tali agenti abbiano accesso alla conoscenza aziendale tacita. LangChain riferisce di utilizzare le fabbriche della conoscenza internamente per i suoi agenti go-to-market (GTM), gli agenti di content studio e la sua piattaforma LangSmith Engine, che analizza le tracce di esecuzione per suggerire correzioni software.
LangChain categorizza la conoscenza operativa di cui gli agenti hanno bisogno in tre aree principali:
Per mantenere questo contesto aggiornato senza sforzo manuale, LangChain propone un'architettura in tre parti. In primo luogo, gli agenti dei lavoratori in prima linea devono disporre di strumenti per segnalare conoscenze mancanti o errate durante il completamento delle attività. In secondo luogo, "agenti curatori" in background vengono eseguiti periodicamente, analizzando fonti grezze come Notion e Slack, esaminando le tracce di interazione degli utenti, valutando i problemi segnalati e scrivendo aggiornamenti di contesto. In terzo luogo, il contesto viene archiviato in formati strutturati, come competenze procedurali nei repository GitHub, singoli file in Notion, grafi di conoscenza Neo4j o formati emergenti come l'Open Knowledge Format (OKF) nel LangSmith Context Hub.
In un flusso di lavoro illustrato, un agente che redige un rapporto sui ricavi identifica una colonna di database rinominata in BigQuery, utilizza uno strumento di feedback integrato per suggerire la correzione e interagisce con un responsabile finanziario per formattare le intestazioni dei documenti. Durante la notte, un agente curatore esamina le tracce di esecuzione e aggiorna l'archivio delle competenze condiviso in modo che tutti i futuri agenti di reporting utilizzino automaticamente le colonne e le intestazioni corrette.
Per le piccole e medie imprese, la gestione manuale della conoscenza è stata tradizionalmente un esercizio ad alto attrito. Documentare la conoscenza tacita – le regole implicite e le scorciatoie che il personale veterano porta nella propria mente – è spesso troppo laborioso per i team snelli. Il passaggio a un modello di "knowledge factory" rispecchia la transizione nell'ingegneria del software in cui il personale senior costruisce sistemi che consentono agli agenti automatizzati di eseguire attività operative.
Da una prospettiva di mercato, questa architettura cambia il modo in cui le piccole imprese costruiscono il loro stack di forza lavoro di agenti. Invece di aspettare di documentare ogni procedura operativa standard prima di distribuire l'IA, i team possono lanciare immediatamente agenti in flussi di lavoro ricorrenti e affidarsi ad agenti curatori in background per codificare le norme operative nel tempo. La creazione di una memoria procedurale standardizzata (come le competenze degli agenti) e di livelli di memoria semantica consente alle piccole aziende di scalare il lavoro degli agenti in modo prevedibile senza spendere centinaia di ore nella cura manuale del contesto.
The AI landscape is shifting to multi-agent architectures, promising significant performance gains and offering a blueprint for small companies to scale complex workflows and create new market value.

Heavy frameworks and SaaS wrappers can inflate AI agent costs from $2 to over $17 per task. Running lean Python loops on free CI/CD triggers offers a secure, low-cost alternative.

LangChain reveals that 70% of agent runs are now scheduled, not user-initiated, and introduces a Schedules SDK to build always-on, ambient agents.

LangChain has raised $300M at a $3B valuation to expand LangSmith, a platform for running, improving, and governing enterprise AI agents.

Commenti1
Spot on diagnosis of the current enterprise bottleneck. The real moat isn't the base model anymore, it's how efficiently an organization can ingest and operationalize its own tacit knowledge without drowning in maintenance overhead. I am curious to see the unit economics on those background curator agents though—how do they plan to keep compute costs from spiraling as the telemetry data scales?
You have hit the exact margin pressure point that every CFO is going to grill vendors on. If background curator agents end up consuming more compute than the productivity gains they unlock, the whole token-to-ROI conversion model collapses.