LangChain Mendefinisikan Arsitektur Penggunaan Agen untuk Pengembangan AI

Timothy Morano

11 Mar 2026 04:56

Kerangka kerja baru LangChain memecah bagaimana agen memanfaatkan model AI mentah menjadi sistem siap produksi melalui sistem file, sandbox, dan manajemen memori.

LangChain telah menerbitkan rincian teknis komprehensif tentang arsitektur harness agen, mengkodifikasi lapisan infrastruktur yang mengubah model bahasa mentah menjadi mesin kerja otonom. Kerangka kerja ini, yang ditulis oleh Vivek Trivedy pada 11 Maret 2026, muncul saat rekayasa harness menjadi pembeda penting dalam kinerja agen AI.

Teori inti yang tampaknya sederhana: Agen = Model + Harness. Segala sesuatu yang bukan model itu sendiri—perintah sistem, eksekusi alat, logika orkestrasi, hook middleware—berkewajiban pada harness. Model mentah tidak dapat mempertahankan status antar interaksi, menjalankan kode, atau mengakses pengetahuan real-time. Harness mengisi kekosongan tersebut.

Mengapa Ini Penting bagi Pembangun

Data papan peringkat Terminal Bench 2.0 LangChain mengungkapkan sesuatu yang kontraintuitif. Opus 4.6 dari Anthropic yang berjalan di Claude Code memiliki skor jauh lebih rendah dibandingkan model yang sama yang dijalankan di harness pihak ketiga yang dioptimalkan. Perusahaan mengklaim telah meningkatkan agen pengkodean mereka dari Top 30 menjadi Top 5 di benchmark hanya dengan mengubah harness—bukan model dasarnya.

Ini adalah sinyal penting bagi tim yang berinvestasi besar dalam pemilihan model namun mengabaikan infrastruktur.

Tumpukan Teknis

Kerangka kerja ini mengidentifikasi beberapa primitive harness inti:

Sistem file berfungsi sebagai lapisan dasar. Mereka menyediakan penyimpanan tahan lama, memungkinkan keberlanjutan kerja antar sesi, dan menciptakan permukaan kolaborasi alami untuk arsitektur multi-agen. Integrasi Git menambah versi, kemampuan rollback, dan cabang eksperimen.

Sandbox menyelesaikan masalah keamanan menjalankan kode yang dihasilkan agen. Daripada mengeksekusi secara lokal, harness terhubung ke lingkungan terisolasi untuk eksekusi kode, instalasi dependensi, dan penyelesaian tugas. Isolasi jaringan dan daftar perintah yang diizinkan menambah pengamanan tambahan.

Memori dan pencarian mengatasi keterbatasan pengetahuan. Standar seperti AGENTS.md disuntikkan ke dalam konteks saat agen mulai, memungkinkan bentuk pembelajaran berkelanjutan di mana agen menyimpan pengetahuan secara tahan lama dari satu sesi dan mengaksesnya di sesi berikutnya. Pencarian web dan alat seperti Context7 menyediakan akses ke informasi di luar batas pelatihan.

Melawan Kerusakan Konteks

Kerangka kerja ini mengatasi kerusakan konteks—penurunan kemampuan penalaran model saat jendela konteks penuh—melalui beberapa mekanisme. Kompaksi secara cerdas merangkum dan memindahkan konten saat jendela mendekati kapasitas. Pemanggilan alat yang dialihkan mengurangi kebisingan dari output besar dengan hanya menyimpan token awal dan akhir sementara hasil lengkap disimpan di sistem file. Skill menerapkan pengungkapan bertahap, memuat deskripsi alat hanya saat diperlukan daripada memenuhi konteks saat startup.

Eksekusi Jangka Panjang

Untuk pekerjaan otonom yang kompleks yang melibatkan beberapa jendela konteks, LangChain menunjuk ke pola Ralph Loop. Hook tingkat harness ini menangkap upaya keluar dari model dan menyuntikkan kembali prompt asli dalam jendela konteks yang bersih, memaksa kelanjutan terhadap tujuan penyelesaian. Dikombinasikan dengan keberlanjutan status sistem file, agen dapat mempertahankan koherensi selama tugas yang diperpanjang.

Loop Umpan Balik Pelatihan

Produk seperti Claude Code dan Codex kini dilatih ulang dengan harness dalam loop, menciptakan keterkaitan erat antara kemampuan model dan desain harness. Ini memiliki efek samping—panduan prompting Codex-5.3 mencatat bahwa mengubah logika alat untuk pengeditan file menurunkan performa, menunjukkan overfitting terhadap konfigurasi harness tertentu.

LangChain menerapkan riset ini ke perpustakaannya, exploring orkestrasi ratusan agen paralel pada basis kode bersama, menganalisis jejak untuk mode kegagalan tingkat harness, dan perakitan alat secara dinamis saat dibutuhkan. Seiring model menjadi lebih baik dalam perencanaan dan verifikasi diri secara native, beberapa fungsi harness mungkin diserap ke dalam kemampuan dasar. Tetapi perusahaan berpendapat bahwa infrastruktur yang dirancang dengan baik akan tetap berharga terlepas dari kecerdasan model yang mendasarinya.

Sumber gambar: Shutterstock