LangChain und Cisco demonstrieren Agentic Engineering: 93 % kürzere Fehlererkennung und 65 % schnellere Entwicklung

LangChain veröffentlichte am 17. April 2026 einen technischen Artikel Agentic Engineering: How Swarms of AI Agents Are Redefining Software Engineering, verfasst von Renuka Kumar (Principal Software Engineer und Direktorin bei Cisco) und Prashanth Ramagopal (Senior Director of Engineering bei Cisco). Es handelt sich um die erste öffentliche Referenzarchitektur, in der Cisco das LangChain-Ökosystem zur Orchestrierung von KI-Agenten-Schwärmen über den gesamten Software-Lebenszyklus hinweg einsetzt – und nicht nur zur Unterstützung beim Code-Schreiben.

Was ist Agentic Engineering?

Die Autoren trennen sorgfältig zwischen Agentic Engineering und KI-Coding-Agenten wie Claude, Codex oder Cursor. Coding-Agenten, so ihre Argumentation, operieren innerhalb „eingeschränkter Benutzer-Schleifen” – ein Entwickler stellt eine Aufgabe, der Agent schreibt Code, der Entwickler prüft ihn. Agentic Engineering hingegen fungiert als Control Plane, die den gesamten End-to-End-Software-Delivery-Prozess teamübergreifend orchestriert. Coding-Agenten werden dabei zu Komponenten innerhalb von Schwärmen – nicht zu deren Alternativen.

Einer der Hauptbefunde des Pilotprojekts ist, dass die primären Einsparungen nicht durch schnellere Code-Generierung entstehen, sondern durch „Komprimierung von allem Nachgelagerten” – Testing, Integration und Incident-Lösung. Der PR-Review erwies sich als das zentrale Nadelöhr, das Menschen in den ansonsten automatisierten Ablauf einbringen.

Architektur: Leader- und Worker-Agenten

Das System unterteilt Agenten in zwei Rollen. Worker-Agenten fungieren als digitale Teammitglieder: Sie interpretieren technische Anforderungen, erstellen Ausführungspläne, rufen Kontext aus Repositories, Issue-Tracking-Systemen und Knowledge Bases ab, führen Werkzeuge und Coding-Agenten aus und validieren Ergebnisse.

Leader-Agenten ermöglichen Standardisierung durch eine gemeinsame Bibliothek von Prompts und Workflows, stellen ein Security-Gateway für freigegebene Werkzeuge bereit, verwalten das Langzeitgedächtnis des gesamten Schwarms und bieten globale Transparenz über die Entscheidungen jedes Agenten. Agenten kommunizieren miteinander über das A2A (Agent-to-Agent) Protocol, und für bestehende Agenten ohne A2A-Unterstützung wird ein MCP (Model Context Protocol) Wrapper als Brücke eingesetzt.

Warum ist das wichtig?

Der technische Stack basiert auf drei LangChain-Schichten. LangGraph führt stateful Workflows aus, die in Knoten organisiert sind, mit Checkpointing und Retry-Logik. LangSmith bietet Observability, Evaluierung und einen Audit-Trail – „wer hat was, wann und warum entschieden”. LangMem verwaltet das Langzeitgedächtnis und die Zustandspersistenz. Die Kombination ermöglicht Reproduzierbarkeit und Überwachbarkeit, die bisher das größte Problem produktiver Agenten-Systeme darstellten.

Das Pilotprojekt wurde bei Cisco mit einer konservativen Baseline durchgeführt – die Teams hielten zunächst Bootcamp-Sitzungen ab, in denen sie tatsächliche historische Zeiten für äquivalente Workflows maßen, und verglichen erst dann die Ergebnisse. Die Ergebnisse bei 20 Debug-Workflows über 512 Sitzungen und 70 eindeutigen Nutzern in einem Monat zeigen eine 93-prozentige Reduzierung der Zeit bis zur Ursachenfindung sowie mehr als 200 eingesparte Ingenieurtunden. Bei 15 Entwicklungs-Workflows verzeichnete das Pilotprojekt eine 65 % kürzere Ausführungszeit.

Was kommt als Nächstes?

Die Veröffentlichung von LangChain und Cisco markiert den Übergang von Experimenten zu standardisierten Architekturen für Multi-Agent-Systeme in großen Organisationen. Die Definitionen der Leader-Worker-Rollen, die A2A + MCP-Kombination und die Observability über LangSmith werden voraussichtlich zum Muster werden, das andere Unternehmen im Enterprise-Segment in den kommenden Monaten übernehmen werden.