LangChain stellt Multi-Agenten-Modell 'Agentic Engineering' vor

LangChain stellt Multi-Agenten-Modell 'Agentic Engineering' vor

LangChain hat ein Koordinationsmodell namens Agentic Engineering öffentlich vorgestellt. Der Ansatz sieht vor, dass mehrere KI-Agenten als digitale Teammitglieder zusammenarbeiten, um Software durch die gesamte Lieferpipeline zu bewegen. Jeder Agent übernimmt dabei eine definierte Rolle. Zentral sind ein gemeinsamer Speicher, über den die Agenten Kontext austauschen, sowie eine gemeinsame Observability-Schicht. Das Ziel ist nach Angaben des Unternehmens nicht allein, Code schneller zu generieren, sondern die Koordination über mehrere Schritte hinweg zu verbessern.

Damit adressiert das Modell eine bekannte Schwäche einzelner KI-Assistenten: Sie arbeiten oft isoliert und verlieren bei längeren Aufgaben den Überblick über den Gesamtzustand eines Projekts. Genau diese Isolation soll durch die Rollenverteilung und den geteilten Speicher überwunden werden: Die Agenten agieren arbeitsteilig, ergänzen sich gegenseitig und teilen ihr Wissen über den gemeinsamen Speicher. Die Observability-Schicht ist Teil des Modells, um die Zusammenarbeit der Agenten nachvollziehbar zu machen. LangChain präsentiert das Modell als konzeptionellen Rahmen, der sich mit bestehenden Werkzeugen und Frameworks kombinieren lässt. Die vom Unternehmen genannten Kernaussagen betonen, dass Agentic Engineering ein Multi-Agenten-Koordinationsmodell ist, bei dem KI-Agenten als digitale Teammitglieder mit definierten Rollen, gemeinsamem Speicher und einer gemeinsamen Observability-Schicht agieren, um Software durch die vollständige Lieferpipeline zu bewegen – nicht nur, um Code schneller zu generieren.

Pilotprojekt: 93 Prozent schnellere Ursachenfindung beim Debugging

In einem Pilotprojekt hat LangChain nach eigenen Angaben über 20 Debugging-Workflows mit dem Multi-Agenten-Ansatz getestet. Die koordinierte Ausführung der Agenten habe zu einer Reduktion der Zeit bis zur Ursachenfindung um 93 Prozent im Vergleich zu historischen Baselines geführt. Zudem seien über 200 Engineering-Stunden eingespart worden, verteilt auf 512 Sitzungen innerhalb eines einzigen Monats. Diese Zahlen sind als Herstellerangaben zu werten und wurden nicht unabhängig überprüft. Sie beziehen sich auf einen begrenzten Anwendungsfall – das Debugging – und auf einen vergleichsweise kurzen Zeitraum. Die historischen Baselines, mit denen verglichen wurde, sind nicht näher spezifiziert.

Dennoch deuten die Ergebnisse darauf hin, dass die parallele Arbeit mehrerer spezialisierter Agenten bei der Fehlersuche Vorteile bringen kann, weil sich die Suche aufteilen und parallelisieren lässt. Die 512 Sitzungen in einem Monat entsprechen im Durchschnitt etwa 17 Sitzungen pro Tag, was auf eine intensive Nutzung hindeutet. Die Einsparung von über 200 Stunden über alle Sitzungen hinweg bedeutet rechnerisch eine durchschnittliche Ersparnis von rund 23 Minuten pro Sitzung. Offen bleibt, wie gut sich die Resultate auf andere Phasen der Softwareentwicklung übertragen lassen, etwa auf das Entwerfen neuer Funktionen oder das Refactoring großer Codebasen. Auch die Frage, wie stark menschliche Eingriffe in den 512 Sitzungen nötig waren, wird von LangChain nicht beantwortet. Die gemeldeten Erfolge beim Debugging – einem stark strukturierten Prozess – sind daher nicht ohne Weiteres auf offene Entwicklungsaufgaben übertragbar.

Grenzen von KI-Agenten: Was frühere Untersuchungen zeigen

Eine frühere Untersuchung mit dem Titel „Studie: KI-Agenten können nicht frei forschen“ weist darauf hin, dass KI-Agenten nicht in der Lage sind, frei zu forschen. Die genauen Methoden, Daten oder Experimente, die zu diesem Ergebnis geführt haben, sind aus dem vorliegenden Titel nicht ersichtlich. Der Titel selbst legt jedoch nahe, dass die Autoren zu dem Schluss gekommen sind, dass KI-Agenten keine eigenständige, explorative Forschung betreiben können.

Für das von LangChain beschriebene Agentic Engineering bedeutet das, dass die behaupteten Fähigkeiten möglicherweise begrenzt sind, wenn Aufgaben eigenständige Forschung erfordern. Die gemeldeten Erfolge beim Debugging – einem stark strukturierten Prozess – sind daher nicht ohne Weiteres auf offene Entwicklungsaufgaben übertragbar.

Technische Lücken in Agent-Frameworks

Unabhängig vom konzeptionellen Modell zeigen dokumentierte technische Einschränkungen in gängigen Agent-Frameworks, dass die Praxistauglichkeit solcher Multi-Agenten-Systeme derzeit noch Lücken aufweist. So wurde in vier verbreiteten Frameworks eine fehlende Rückruffunktion für E-Mails festgestellt. Das bedeutet, dass eine bereits versendete E-Mail nicht zurückgerufen werden kann. Für eine Software-Lieferpipeline, in der Agenten Code ändern, Tests ausführen oder Konfigurationen anpassen, ist die Fähigkeit, Schritte zurückzunehmen, jedoch essenziell. Wenn ein Agent beispielsweise eine Benachrichtigung per E-Mail versendet, die auf einem fehlerhaften Zustand basiert, kann diese Information nicht mehr korrigiert werden. Das kann zu Missverständnissen bei Teammitgliedern oder Stakeholdern führen.

Das Fehlen einer Rückruffunktion für E-Mails ist ein Beispiel für eine technische Einschränkung, die in komplexen Pipelines zu inkonsistenten Zuständen führen kann, die manuelle Eingriffe erfordern und den Automatisierungsvorteil schmälern. Dies deutet darauf hin, dass die zugrunde liegenden Frameworks möglicherweise robustere Mechanismen für Fehlerbehandlung und das Rückgängigmachen von Aktionen benötigen, bevor sich die von LangChain gemeldeten Effizienzgewinne in der Breite realisieren lassen.