LangChain: Wie man ein eigenes Agent-Harness baut (Agent = Modell + Harness)

Was hat LangChain veröffentlicht?

LangChain hat am 3. Juni 2026 einen technischen Leitfaden von Sydney Runkle veröffentlicht, der erklärt, wie man ein eigenes Agent-Harness baut. Der Leitfaden definiert das Harness als das Gerüst um ein Sprachmodell, das es mit der realen Welt verbindet, zusammengefasst in der Formel Agent = Modell + Harness. Die Aufgabe des Harness besteht darin, dem Modell den richtigen Kontext im richtigen Moment für eine gegebene Aufgabe zu liefern. Ohne Harness ist das Modell lediglich ein Textgenerator, und erst mit ihm wird es zu einem Agenten, der in einer Umgebung handeln kann.

Was ist create_agent?

Das zentrale Werkzeug des Leitfadens ist LangChains create_agent, das zum Bau eines Agenten drei Eingaben verlangt: ein Modell, Werkzeuge und einen System-Prompt. Das Werkzeug ist bewusst minimalistisch, das heißt, es bietet keine Vielzahl von Optionen, sondern ein grundlegendes Gerüst, das erweitert wird. Statt die Anpassung über zahlreiche Parameter zu lösen, stellt create_agent Middleware als primären Anpassungsmechanismus bereit, sodass der Agent durch Hinzufügen von Schichten um den Kern und nicht durch Ändern des Kerns selbst gebaut wird.

Wie formt Middleware die Agent-Schleife?

Middleware hängt sich an spezifischen Punkten an die Agent-Schleife: vor und nach einem Modellaufruf, vor und nach einem Werkzeugaufruf sowie bei Startup und Teardown (Starten und Herunterfahren des Agenten). An diesen Punkten bietet Middleware vier Hebel zur Anpassung: deterministische Logik, Werkzeuge, Custom State und Stream-Handler. Deterministische Logik fügt vorhersehbare Regeln hinzu, Werkzeuge erweitern die Fähigkeiten, Custom State speichert Daten über die Schleife hinweg, und Stream-Handler steuern den Ausgabefluss. Diese Hebel ermöglichen ein präzises Formen des Agentenverhaltens, ohne das Modell zu überarbeiten.

Welche Produktionsanforderungen deckt der Artikel ab?

Der Leitfaden ordnet acht häufige Produktionsanforderungen den entsprechenden Middleware-Typen zu. Diese Anforderungen sind Kontextverwaltung, Memory, Interaktion mit der Umgebung, Delegation, Fehlerbehandlung, Policy-Enforcement, Steering und Kostenkontrolle. Für jede von ihnen zeigt der Artikel, wie man sie mit der passenden Middleware löst, statt die Kernlogik des Agenten zu überarbeiten. Damit werden komplexe Produktionsprobleme in modulare, wiederverwendbare Komponenten zerlegt, die bei Bedarf aktiviert werden.

Was bedeutet „Task-Harness-Fit”?

Die Schlussfolgerung des Leitfadens ist, dass der „Task-Harness-Fit”, also die Übereinstimmung zwischen einer Aufgabe und dem Harness, die Wirksamkeit eines Agenten entscheidend bestimmt. Dasselbe Modell kann ein hervorragender oder ein schwacher Agent sein, je nachdem, wie gut der Harness auf die konkrete Aufgabe zugeschnitten ist. Diese Botschaft verlagert den Fokus von der Modellauswahl auf das Harness-Design und legt nahe, dass die Qualität eines Agenten oft mehr vom Gerüst um das Modell als vom Modell selbst abhängt.

Warum ist dieser Ansatz für Agentenentwickler wichtig?

Für Ingenieure, die Agenten in Produktion bauen, bietet der Leitfaden ein klares mentales Modell und konkrete Werkzeuge. Durch die Trennung des Agenten in Modell und Harness sowie die Bereitstellung der Anpassung über Middleware fördert LangChain einen modularen Ansatz, bei dem Produktionsanforderungen durch das Hinzufügen von Schichten gelöst werden. Die Betonung des „Task-Harness-Fit” erinnert daran, dass der Erfolg eines Agenten nicht automatisch aus einem leistungsstarken Modell kommt, sondern aus einem sorgfältig zugeschnittenen Harness, der dem Modell den richtigen Kontext im richtigen Moment gibt.