Laden...

De maker van het AI-framework LangChain heeft een operationeel framework, genaamd een "kennis fabriek", gedetailleerd, ontworpen om impliciete bedrijfskennis continu vast te leggen, te beheren en te onderhouden voor AI-agenten. Volgens een bericht op de LangChain-blog is de belangrijkste belemmering die agenten ervan weerhoudt om algemeen kenniswerk uit te voeren niet langer de modelcapaciteit of de ruwe contextlengte, maar het gebrek aan gecureerde operationele standaarden, interne domeincontext en richtlijnen voor gegevensquery's. Het bedrijf suggereert dat bedrijven, in plaats van elk intern proces handmatig te documenteren, geautomatiseerde contextlussen moeten implementeren waarbij curator-agenten op de achtergrond bedrijfskennisbanken rechtstreeks bijwerken op basis van interacties met werknemers en agent-traceerlogboeken.
Volgens de LangChain-blog kunnen algemene kennistaken zoals het maken van verkooppresentaties, het publiceren van video's en het beheren van outbound campagnes in toenemende mate worden gedelegeerd aan AI-agenten, mits deze agenten toegang hebben tot impliciete bedrijfskennis. LangChain meldt intern kennis fabrieken te gebruiken voor zijn go-to-market (GTM) agenten, content studio agenten en zijn LangSmith Engine-platform, dat uitvoertraces analyseert om softwarefouten voor te stellen.
LangChain categoriseert de operationele kennis die agenten nodig hebben in drie hoofdcategorieën:
Om deze context zonder handmatige inspanning up-to-date te houden, stelt LangChain een driedelige architectuur voor. Ten eerste moeten frontlinie-werker-agenten tools hebben om ontbrekende of incorrecte kennis te markeren tijdens het uitvoeren van taken. Ten tweede draaien "curator-agenten" op de achtergrond met een periodieke frequentie, waarbij ze ruwe bronnen zoals Notion en Slack analyseren, gebruikersinteractietraces beoordelen, gemarkeerde problemen evalueren en contextupdates schrijven. Ten derde wordt context opgeslagen in gestructureerde formaten – zoals procedurele vaardigheden in GitHub-repositories, afzonderlijke bestanden in Notion, Neo4j-kennisgrafieken, of opkomende formaten zoals het Open Knowledge Format (OKF) in de LangSmith Context Hub.
In een geïllustreerde workflow identificeert een agent die een omzetrapport opstelt een hernoemde databasekolom in BigQuery, gebruikt een ingebouwde feedbacktool om de correctie voor te stellen en communiceert met een financiële leidinggevende om documentheaders te formatteren. 's Nachts beoordeelt een curator-agent de uitvoertraces en werkt de gedeelde vaardighedenopslag bij, zodat alle toekomstige rapportage-agenten automatisch de juiste kolommen en headers gebruiken.
Voor kleine en middelgrote bedrijven is handmatig kennisbeheer van oudsher een proces met veel frictie. Het documenteren van impliciete kennis – de onuitgesproken regels en snelkoppelingen die ervaren medewerkers in hun hoofd hebben – is vaak te arbeidsintensief voor slanke teams. De verschuiving naar een "kennis fabriek"-model weerspiegelt de overgang in software-engineering, waar senior personeel systemen bouwt die geautomatiseerde agenten in staat stellen operationele taken uit te voeren.
Vanuit een marktperspectief verandert deze architectuur de manier waarop kleine bedrijven hun agent-arbeidsmacht opbouwen. In plaats van te wachten met het documenteren van elke standaard operationele procedure voordat AI wordt ingezet, kunnen teams agenten onmiddellijk in terugkerende workflows lanceren en vertrouwen op curator-agenten op de achtergrond om operationele normen in de loop van de tijd te codificeren. Het opzetten van gestandaardiseerde procedurele geheugen (zoals agentvaardigheden) en semantische geheugenlagen stelt kleine operaties in staat om agentarbeid voorspelbaar op te schalen zonder honderden uren te besteden aan handmatige contextcuratie.
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.

Reacties1
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.