LangChain Meluncurkan Agent Middleware untuk Pengembangan AI Harness Kustom
Felix Pinkston 26 Mar 2026 15:31
LangChain memperkenalkan sistem AgentMiddleware yang memungkinkan pengembang untuk menyesuaikan perilaku agen AI dengan hook untuk deteksi PII, pemilihan alat dinamis, dan fitur siap produksi.
LangChain telah merilis sistem middleware komprehensif yang memungkinkan pengembang menyesuaikan perilaku agen AI tanpa membangun ulang infrastruktur inti dari awal. Framework ini, yang dirinci dalam postingan blog 26 Maret 2026, memperkenalkan enam hook berbeda yang mencegat dan memodifikasi eksekusi agen di setiap tahap loop.
Arsitektur middleware mengatasi masalah yang terus-menerus dalam pengembangan agen: kesenjangan antara prototipe siap demo dan sistem produksi. Sementara kustomisasi dasar seperti mengganti prompt sistem atau menambahkan alat selalu mudah, memodifikasi loop agen fundamental—apa yang terjadi sebelum panggilan model, bagaimana alat dieksekusi, kapan manusia campur tangan—memerlukan kode kustom yang ekstensif.
Cara Kerja Sistem Hook
AgentMiddleware mengekspos enam titik intervensi. before_agent diaktifkan sekali saat pemanggilan untuk memuat memori atau memvalidasi input. before_model berjalan sebelum setiap panggilan LLM, berguna untuk memangkas riwayat atau menangkap data sensitif. wrap_model_call menangani caching, percobaan ulang, dan pengikatan alat dinamis. wrap_tool_call melakukan hal yang sama untuk eksekusi alat. after_model masuk dalam alur kerja human-in-the-loop. after_agent menangani pembersihan dan notifikasi.
Middleware ini dapat ditumpuk. Pengembang dapat melapisi beberapa modifikasi tanpa konflik.
Solusi Bawaan untuk Masalah Umum
LangChain menyertakan middleware yang sudah dibuat untuk pola yang terus muncul di seluruh deployment produksi. PIIMiddleware mengimplementasikan hook before_model dan after_model untuk menutupi, menyunting, atau meng-hash informasi identitas pribadi—sangat penting untuk kepatuhan HIPAA di mana Anda tidak bisa hanya mengandalkan prompt untuk keamanan hukum.
LLMToolSelectorMiddleware mengatasi pembengkakan konteks dengan menjalankan model cepat untuk mengidentifikasi alat yang relevan dari registri sebelum panggilan utama, hanya mengikat apa yang diperlukan. SummarizationMiddleware mencegah overflow konteks dengan mengompresi riwayat pesan ketika jumlah token terlalu tinggi.
ModelRetryMiddleware membungkus panggilan API dengan logika percobaan ulang yang dapat dikonfigurasi—jumlah percobaan ulang, faktor backoff, penundaan awal untuk pembatasan laju. ShellToolMiddleware menangani inisialisasi dan penutupan sumber daya di sekitar loop agen.
Deep Agents sebagai Bukti Konsep
LangChain membangun Deep Agents sepenuhnya di atas tumpukan middleware ini untuk memvalidasi arsitektur. Harness agen berjalan pada create_agent, titik masuk standar LangChain, dengan middleware khusus yang dilapisi di atas: FilesystemMiddleware untuk manajemen konteks berbasis file, SubagentMiddleware untuk subagen yang terisolasi konteks, SkillsMiddleware untuk pengungkapan kemampuan progresif.
Pendekatan ini memungkinkan tim memiliki berbagai kepentingan secara independen. Logika bisnis tetap terpisah dari kode agen inti. Middleware yang dapat digunakan kembali dapat menyebar di seluruh organisasi tanpa kopling ketat.
Apa Artinya Ini untuk Pengembangan Agen
LangChain mengakui bahwa peningkatan kemampuan model pada akhirnya akan menyerap beberapa fungsi middleware saat ini—ringkasan, pemilihan alat, pemotongan output mungkin berpindah ke dalam model itu sendiri. Tetapi penegakan kebijakan deterministik, pagar pembatas produksi, dan logika khusus bisnis tidak akan bermigrasi. Itu tetap di lapisan harness.
Pengembang dapat memulai dengan create_agent untuk pengaturan minimal atau create_deep_agent untuk fondasi yang lebih kuat. Kontribusi middleware kustom diterima melalui dokumentasi integrasi LangChain.
- langchain
- agen ai
- middleware
- deep agents
- alat pengembang
