# LangChain beschreibt eine Wissensfabrik, die KI-Agenten auf dem aktuellen Stand hält

Published 2026-11-21 · AI.info Team · AI.info

> LangChain zufolge nutzt das Unternehmen ein System, in dem Agenten Wissenslücken markieren und ein separater Agent gemeinsam genutzte Informationen aktualisiert. Außerdem arbeitet das Unternehmen mit einigen Kunden daran, den Ansatz für deren Agenten einzusetzen.

[LangChain](https://www.langchain.com/blog/knowledge-factory) zufolge laufen die internen Go-to-Market- und Content-Studio-Agenten des Unternehmens auf einer sogenannten Wissensfabrik: einem System zum Sammeln, Kuratieren und Pflegen des Unternehmenswissens, das die Agenten benötigen. In einem Beitrag vom 21. November beschrieb Harrison Chase, wie das Unternehmen sie bei internen Aufgaben und in LangSmith Engine einsetzt.

Das Unternehmen arbeitet außerdem mit einigen Kunden daran, den Ansatz für deren interne und externe Agenten einzusetzen, schrieb Chase. LangSmith Engine, ein Agent, der Traces untersucht und Korrekturen vorschlägt, pflegt laut dem Beitrag für jeden Agenten eine Wissensfabrik.

## Wissen für künftige Aufgaben

Chase unterscheidet zwischen dem Kontext, der einem Agenten während einer Aufgabe zur Verfügung steht, und wiederverwendbarem Wissen darüber, wie ein Unternehmen arbeitet. Dazu können die Bedeutung einer Kennzahl, die vertrauenswürdige Quelle oder der Umgang mit einer bestimmten Situation gehören.

Eine Wissensfabrik soll diese Informationen sammeln und pflegen, damit sie bei späteren Aufgaben als Kontext bereitgestellt werden können. Anderer Kontext, der bereits zuverlässig gespeichert ist, kann einem Agenten direkt bereitgestellt werden, statt ihn separat in der Fabrik zu pflegen.

Chase unterteilt dieses Wissen in Fähigkeiten, Fachwissen und Hinweise zum Datenzugriff. Zu den Fähigkeiten zählen Verfahren, Anweisungen und Skripte für die Arbeit auf die vom Unternehmen erwartete Weise.

Das Fachwissen umfasst Definitionen, Richtlinien und Fakten zu Produkten, Kunden, Wettbewerbern und der Organisation. Die dritte Kategorie gibt den Agenten vor, welche Quellen sie verwenden sollen, wo Informationen gespeichert sind und wie sie diese abfragen können.

## Ein Kurator im Hintergrund

Agenten würden bei ihrer üblichen Arbeit Informationen markieren, die sie nicht finden können oder von denen sie feststellen, dass sie falsch sind, und könnten eine Korrektur vorschlagen. Ein separater Kurator-Agent würde diese Markierungen regelmäßig überprüfen und den Wissensspeicher aktualisieren.

Chase argumentiert, dass die Agenten, die das Wissen nutzen, nicht allein für dessen Pflege verantwortlich sein sollten: Agenten, die vor allem ihre eigenen Ziele verfolgen, mit der Pflege zu beauftragen, „wird dazu führen, dass es unübersichtlich und voller Widersprüche wird“, schrieb er. Der Kurator hätte stattdessen Zugriff auf die zugrunde liegenden Quellen sowie auf Traces, die zeigen, wie Menschen Agenten nutzen.

Zu diesen Quellen könnten Notion und Slack gehören. Traces könnten dem Kurator helfen, Interaktionen in Fähigkeiten umzuwandeln, während Meldungen der arbeitenden Agenten auf Material hinweisen würden, das Aufmerksamkeit erfordert.

Mögliche Speicherformate sind Fähigkeiten in GitHub, eine Datei in Notion, das OKF-Format in LangSmith Context Hub oder ein Wissensgraph in Neo4j. Chase schrieb, dass die Repräsentation des semantischen Gedächtnisses noch ein frühes Gebiet ohne etablierten Standard sei.

## Ein Beispiel für einen Umsatzbericht

In seinem Beitrag veranschaulicht er den Prozess anhand eines Agenten, der einen Umsatzbericht erstellt. Im Beispiel liegen die Rohdaten zum Umsatz in BigQuery und Salesforce, während Berichtsanweisungen als Fähigkeiten in GitHub gespeichert sind und die Methode des Unternehmens zur Berechnung des ARR in einem Wiki festgehalten ist.

Anweisungen zum Zugriff auf die sich ändernden Daten sind als Fähigkeiten in Context Hub gespeichert. In diesem Beispiel bemerkt der Berichtsagent, dass eine BigQuery-Spalte umbenannt wurde, findet bei der Arbeit die richtige Spalte und markiert das Problem mit einem Änderungsvorschlag.

Nachdem der Bericht erstellt wurde, arbeitet die Finanzleitung mit dem Agenten an der Formatierung, darunter an einer neuen Kopfzeile für Unternehmensdokumente. Der Kurator überprüft dann in der Nacht die markierte Spalte und den Trace des Agenten und aktualisiert die relevanten Fähigkeiten sowohl für die Datenabfrage als auch für die Berichtskopfzeile.

## Quellen

1. Originalquelle · Blogbeitrag [LangChain](https://www.langchain.com/blog/knowledge-factory) langchain.com

## Unternehmen in dieser Meldung

- [LangChain Inc.](https://ai.info/de/companies/langchain-inc)

## Verwandte Meldungen

- [AWS Quick ergänzt Antworten mehrerer Agenten und im Chat erstellte Geschäftsprozessabläufe](https://ai.info/de/news/aws-quick-multi-agent-business-flows)
- [Cohere bringt Crunchbase-Daten für Kunden mit Lizenz zu North](https://ai.info/de/news/cohere-north-crunchbase-connector)
- [SOCi stellt MCP-Server allen Kunden zur Verfügung](https://ai.info/de/news/soci-mcp-server-integrations-agentic-workforce)
- [35Gates bietet dedizierte Cloud-KI-Umgebungen ab 64.000 ¥ pro Monat vor Steuern](https://ai.info/de/news/35gates-lmaas-dedicated-cloud-ai-platform)
- [Architect Labs zufolge haben seine KI-Systeme die Frostbite-CPU entworfen](https://ai.info/de/news/architect-labs-frostbite-ai-designed-cpu)

## Entdecken

[Weitere Artikel](https://ai.info/de/news)

---

Canonical: https://ai.info/de/news/langchain-knowledge-factory-ai-agents
