The Pulse
LangChain descreve uma fábrica de conhecimento para manter agentes de IA atualizados
A LangChain diz que usa um sistema no qual os agentes apontam lacunas de conhecimento e um agente separado atualiza as informações compartilhadas. A empresa também está trabalhando com alguns clientes para levar a abordagem aos agentes deles.

A LangChain diz que seus agentes internos de go-to-market e do estúdio de conteúdo operam com o que chama de fábrica de conhecimento: um sistema para coletar, selecionar e manter o conhecimento da empresa de que seus agentes precisam. Em uma publicação de 21 de novembro, Harrison Chase descreveu como a empresa a utiliza em trabalhos internos e no LangSmith Engine.
A empresa também está trabalhando com alguns clientes para levar a abordagem aos agentes internos e externos deles, escreveu Chase. O LangSmith Engine, um agente que examina traces e sugere correções, mantém uma fábrica de conhecimento para cada agente, segundo a publicação.
Conhecimento para tarefas futuras
Chase distingue o contexto disponível para um agente durante uma tarefa do conhecimento reutilizável sobre como uma empresa opera. Esse conhecimento pode incluir o significado de uma métrica, em qual fonte confiar ou como lidar com uma situação específica.
A fábrica de conhecimento tem como objetivo coletar e manter essas informações para que possam ser fornecidas como contexto em trabalhos posteriores. Outros contextos já armazenados de forma confiável podem ser fornecidos diretamente a um agente, em vez de serem mantidos separadamente na fábrica.
Chase divide esse conhecimento em skills, conhecimento de domínio e orientações sobre como acessar dados. As skills abrangem procedimentos, instruções e scripts para realizar o trabalho da maneira esperada pela empresa.
O conhecimento de domínio abrange definições, políticas e fatos sobre produtos, clientes, concorrentes e a organização. A terceira categoria informa aos agentes quais fontes usar, onde as informações estão e como consultá-las.
Um curador nos bastidores
Agentes realizando seu trabalho habitual apontariam informações que não conseguem encontrar ou que descobrem estar erradas, e poderiam sugerir uma correção. Um agente curador separado revisaria essas sinalizações periodicamente e atualizaria o repositório de conhecimento.
Chase argumenta que os agentes que usam o conhecimento não deveriam ser os únicos responsáveis por mantê-lo: pedir que agentes cujo principal objetivo é perseguir suas próprias metas o mantenham “fará com que ele se torne indisciplinado e cheio de contradições”, escreveu. Em vez disso, o curador teria acesso às fontes subjacentes, bem como a traces que mostram como as pessoas usam os agentes.
Essas fontes poderiam incluir Notion e Slack. Os traces poderiam ajudar o curador a transformar interações em skills, enquanto os relatórios dos agentes em operação identificariam o material que precisa de atenção.
Entre os possíveis formatos de armazenamento estão skills no GitHub, um arquivo no Notion, o formato OKF no LangSmith Context Hub ou um grafo de conhecimento no Neo4j. Chase escreveu que a representação da memória semântica continua sendo uma área incipiente, sem um padrão estabelecido.
Um exemplo de relatório de receita
A publicação ilustra o processo com um agente que prepara um relatório de receita. No exemplo, os números brutos da receita estão no BigQuery e no Salesforce, enquanto as instruções para o relatório são armazenadas como skills no GitHub e o método da empresa para calcular ARR é mantido em um wiki.
As instruções para acessar os dados, que mudam, são armazenadas como skills no Context Hub. Nesse exemplo, o agente responsável pelo relatório percebe que uma coluna do BigQuery teve o nome alterado, encontra a coluna correta durante o trabalho e sinaliza o problema com uma atualização sugerida.
Depois que o relatório é criado, o responsável pela área financeira trabalha com o agente na formatação, incluindo um novo cabeçalho para os documentos da empresa. Naquela noite, o curador revisa a coluna sinalizada e o trace do agente, atualizando as skills relevantes tanto para a consulta aos dados quanto para o cabeçalho do relatório.
Fontes
- Fonte original · Post de blog LangChain langchain.com
Empresas nesta notícia
Notícias relacionadas
- AWS Quick adiciona respostas multiagentes e fluxos de negócios criados por chat
- Cohere leva dados do Crunchbase ao North para clientes com licença
- SOCi disponibiliza servidor MCP a todos os clientes
- 35Gates oferece ambientes dedicados de IA na nuvem por ¥ 64.000 ao mês, antes dos impostos
- Architect Labs diz que seus sistemas de IA projetaram a CPU Frostbite