Wczytywanie...

Twórca frameworków AI, LangChain, szczegółowo opisał ramy operacyjne nazwane „fabryką wiedzy” (knowledge factory), zaprojektowane w celu ciągłego pozyskiwania, kuratorowania i utrzymywania ukrytej wiedzy firmowej dla agentów AI. Zgodnie z wpisem na blogu LangChain, głównym wąskim gardłem uniemożliwiającym agentom wykonywanie ogólnej pracy koncepcyjnej nie są już możliwości modeli czy surowa długość kontekstu, lecz brak przygotowanych standardów operacyjnych, wewnętrznego kontekstu domeny i wskazówek dotyczących zapytań o dane. Firma sugeruje, że zamiast ręcznie dokumentować każdy wewnętrzny proces, przedsiębiorstwa powinny wdrożyć zautomatyzowane pętle kontekstowe, w których agenci-kuratorzy w tle aktualizują firmowe bazy wiedzy bezpośrednio na podstawie interakcji pracowników i logów śledzenia agentów.
Według bloga LangChain, ogólne zadania wiedzy, takie jak tworzenie prezentacji sprzedażowych, publikowanie wideo i zarządzanie kampaniami wychodzącymi, mogą być w coraz większym stopniu delegowane do agentów AI, pod warunkiem, że agenci ci mają dostęp do ukrytej wiedzy firmowej. LangChain zgłasza używanie fabryk wiedzy wewnętrznie dla swoich agentów ds. strategii rynkowej (GTM), agentów studia treści oraz platformy LangSmith Engine, która analizuje ślady wykonania w celu sugerowania poprawek oprogramowania.
LangChain kategoryzuje wiedzę operacyjną potrzebną agentom na trzy główne obszary:
Aby utrzymać ten kontekst w aktualnym stanie bez wysiłku manualnego, LangChain proponuje trzeźwoczęściową architekturę. Po pierwsze, agenci pracowników pierwszego szczebla muszą posiadać narzędzia do zgłaszania brakującej lub nieprawidłowej wiedzy podczas wykonywania zadań. Po drugie, działający w tle „agenci-kuratorzy” uruchamiają się w okresowych odstępach czasu, analizując surowe źródła, takie jak Notion i Slack, przeglądając ślady interakcji użytkowników, oceniając zgłoszone problemy i pisząc aktualizacje kontekstu. Po trzecie, kontekst jest przechowywany w ustrukturyzowanych formatach – takich jak umiejętności proceduralne w repozytoriach GitHub, pojedyncze pliki w Notion, grafy wiedzy Neo4j lub pojawiające się formaty, takie jak Open Knowledge Format (OKF) w LangSmith Context Hub.
W jednym z zilustrowanych przepływów pracy agent przygotowujący raport o przychodach identyfikuje zmienioną nazwę kolumny bazy danych w BigQuery, używa wbudowanego narzędzia opinii do zasugerowania poprawki i współpracuje z liderem finansowym w celu sformatowania nagłówków dokumentów. Przez noc agent-kurator przegląda ślady wykonania i aktualizuje udostępniony magazyn umiejętności, dzięki czemu wszyscy przyszli agenci raportujący automatycznie używają poprawnych kolumn i nagłówków.
Dla małych i średnich przedsiębiorstw ręczne zarządzanie wiedzą tradycyjnie było procesem o dużym oporze. Dokumentowanie wiedzy ukrytej – niejawnych zasad i skrótów, które weterani zespołu noszą w głowach – jest często zbyt pracochłonne dla szczupłych zespołów. Przejście w kierunku modelu „fabryki wiedzy” odzwierciedla transformację w inżynierii oprogramowania, gdzie starszy personel buduje systemy umożliwiające zautomatyzowanym agentom wykonywanie zadań operacyjnych.
Z perspektywy rynku architektura ta zmienia sposób, w jaki małe firmy budują swój stos pracowników-agentów. Zamiast czekać na udokumentowanie każdej standardowej procedury operacyjnej przed wdrożeniem AI, zespoły mogą natychmiast uruchamiać agentów do powtarzalnych przepływów pracy i polegać na agentach-kuratorach w tle, aby z czasem skodyfikować normy operacyjne. Ustanowienie standaryzowanej pamięci proceduralnej (takiej jak umiejętności agenta) i warstw pamięci semantycznej pozwala małym operacjam przewidywalnie skalować pracę agentów bez spędzania setek godzin na ręcznym kuratorowaniu kontekstu.
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.

Komentarze1
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.