Bei LangChain interagieren wir mit Software-Engineering-Agents über das Terminal, Slack, Linear, GitHub und CI.
Verschiedene Workflows benötigen verschiedene Agents. Lokales Programmieren sollte interaktiv sein. Cloud-Programmierung sollte im Hintergrund laufen und Pull-Requests eröffnen. Code-Review sollte sorgfältig und in GitHub eingebunden sein. Repo-Dokumentation sollte nah am Code bleiben und Agents nützlichen Kontext liefern.
Wir haben dieses System als eine Reihe von Open-Source-Tools aufgebaut:
- dcode für lokales Programmieren
- OpenSWE für Cloud-Programmier-Agents
- OpenSWE Review für automatisiertes Code-Review
- OpenWiki für Repo-Dokumentation und Agent-Gedächtnis
Zusammen bilden sie unsere Software-Engineering-Agent-Factory. Das ist die Struktur, die wir intern verwenden: lokale Agents, Cloud-Agents, Review-Agents, Repo-Gedächtnis, offene Modelle und LangSmith-Traces im gesamten System.
Warum Open Source wichtig ist
Software-Engineering-Agents lesen Code, bearbeiten Code, überprüfen PRs und nehmen an Engineering-Workflows teil. Teams müssen verstehen und kontrollieren können, wie sich diese Agents verhalten.
Das ist schwierig, wenn der Agent ein geschlossenes System ist. Man ist auf die unterstützten Modelle, das Review-Verhalten, die Integrationen und die Beobachtbarkeit des Anbieters beschränkt.
Wir wollen Agents, die Teams inspizieren, modifizieren und an ihre eigenen Workflows anpassen können, einschließlich ihrer eigenen Review-Standards, Repo-Konventionen, Modellauswahlen und internen Tools. Deshalb sind diese Projekte Open Source.
Die Komponenten
dcode
dcode ist der lokale Programmier-Agent, den wir vom Terminal aus verwenden.
Die CLI und die Agent-Laufzeitumgebung laufen lokal auf Ihrem Rechner, während das Modell weiterhin gehostet werden kann. Das ermöglicht Entwicklern, direkt an einem lokalen Repo zu arbeiten und dabei große Programmiermodelle zu nutzen, die möglicherweise nicht auf einem Laptop laufen.
Wir verwenden dcode für interaktive Programmierarbeiten: ein Repo erkunden, Änderungen vornehmen und Implementierungsaufgaben vom Terminal aus ausführen.
OpenSWE
OpenSWE ist der Cloud-Programmier-Agent, den wir verwenden, wenn Arbeiten im Hintergrund erledigt werden sollen.
Viele Engineering-Aufgaben beginnen außerhalb des Terminals. Ein Fehler taucht in Slack auf. Eine Feature-Anfrage lebt in Linear. Eine Repo-Wartungsaufgabe muss nach einem Zeitplan ausgeführt werden.
OpenSWE kann von Slack, Linear, GitHub oder der Weboberfläche aus gestartet werden. Es läuft in der Cloud, arbeitet am Code und kann einen Pull-Request eröffnen, wenn es fertig ist.
Intern ist dies zu einem unserer am häufigsten genutzten Agent-Workflows geworden. Allein in der letzten Woche haben wir OpenSWE fast 1.000 Mal allein von Slack aus gestartet, ohne die Nutzung über Linear oder die UI.
Da OpenSWE in einer Sandbox in der Cloud läuft, können wir viele Programmier-Agents parallel ausführen, ohne die lokale Umgebung von jemandem zu blockieren.
OpenSWE enthält auch eine Benutzeroberfläche zum Inspizieren der Agent-Arbeit, zum Chatten mit dem Cloud-Programmier-Agent, zum Konfigurieren von Modellen und Prompts, zum Anzeigen von Analysen und zum Einrichten geplanter Automatisierungen.
OpenSWE Review
OpenSWE Review verbindet sich mit GitHub und überprüft automatisch Pull-Requests. Es identifiziert Fehler und Regressionen, bevor Code gemerged wird.
Es schneidet auch bei externen Benchmarks sehr gut ab. Im Offline Code Review Benchmark erreicht OpenSWE Review 47%, wenn es GPT-5.5 mit mittlerem Reasoning verwendet. Das platziert es auf Platz 6 insgesamt und Platz 1 unter den Open-Source-Code-Review-Agents.
Code-Review ist stark organisationsspezifisch. Teams unterscheiden sich darin, welche Probleme ihnen wichtig sind, wie sie Kommentare formulieren und wann sie möchten, dass ein Agent blockiert, vorschlägt oder still bleibt.
OpenSWE Review bietet uns eine starke Standardeinstellung, die wir anpassen können, indem wir Prompts, Workflows, Modellauswahlen und repo-spezifisches Verhalten ändern.
OpenWiki
OpenWiki generiert und pflegt Codebasis-Dokumentation unter Verwendung von Googles Open Knowledge Format.
Die Dokumentation lebt mit dem Code und wird automatisch über eine GitHub-Aktion aktuell gehalten. Das gibt sowohl Menschen als auch Agents eine gepflegte Wissensebene für das Repo, ohne sich um die Pflege der Dokumentation kümmern zu müssen (OpenWiki erledigt das für Sie!).
Wenn ein Agent jedes Mal, wenn er läuft, die Architektur eines Repos neu entdecken muss, verschwendet er Tokens und übersieht wichtige Konventionen. OpenWiki gibt Programmier- und Review-Agents einen besseren Ausgangspunkt, während es einen automatischen Update-Fluss unterstützt, sodass Sie nie wieder daran denken müssen, Ihre Agent-Dokumentation zu pflegen.
Der Stack
Deep Agents
dcode, OpenSWE, OpenSWE Review und OpenWiki basieren alle auf Deep Agents.
Die Workflows sind unterschiedlich, aber sie teilen sich dieselbe zugrunde liegende Agent-Basis. Das gibt uns eine konsistente Möglichkeit, Agents über lokales Programmieren, Cloud-Programmieren, Review und Dokumentation hinweg zu bauen, anzupassen und zu verbessern. Das Teilen von Code, Ressourcen und Engineering-Know-how wird noch einfacher, wenn sie alle im selben Framework gebaut sind.
Offene Modelle
Wir haben den Stack für offene Modelle optimiert.
SWE-Agents werden schnell teuer, wenn sie in einer Organisation ausgeführt werden. Lokales Programmieren, Cloud-Programmieren, Code-Review, Dokumentation, geplante Wartung und wiederholte Repo-Analyse verbrauchen alle Tokens.
Offene Modelle geben uns mehr Kontrolle über Kosten (der Hauptgrund), Latenz und Bereitstellungsoptionen. Sie ermöglichen es Teams auch, verschiedene Aufgaben an verschiedene Modelle zu leiten, mit offenen Programmiermodellen zu experimentieren oder sogar Modelle für ihre eigenen Repos und Workflows zu verfeinern.
LangSmith
Wir verfolgen diese Agents mit LangSmith.
Wenn ein Agent einen PR eröffnet, einen Review-Kommentar hinterlässt oder bei einer Aufgabe scheitert, zeigen Traces die Dateien, die er inspiziert hat, den Kontext, den er geladen hat, die Tool-Aufrufe, die er getätigt hat, und wo er hängengeblieben ist.
Diese Traces helfen uns, einzelne Ausführungen zu debuggen und das System im Laufe der Zeit zu verbessern. Wir verwenden sie, um Fehlermodi zu identifizieren, Prompts zu verbessern, Modelle zu vergleichen und qualitativ hochwertigere Beispiele für kontinuierliche Verbesserungs-Workflows mit LangSmith Engine zu liefern.
Engine für Programmier-Agents ist ein neuer Workflow, mit dem wir experimentieren, bei dem wir Engine über Traces von Programmier-Agents laufen lassen, Schwachstellen identifizieren und Optimierungen vorschlagen. Da jeder Lauf eines Programmier-Agents von jedem Mitarbeiter bei LangChain verfolgt wird, kann Engine diese Optimierungen aus der Vogelperspektive identifizieren und durchführen, anstatt einzeln auf den Traces bestimmter Ingenieure.
Bauen Sie Ihre eigene Software-Engineering-Agent-Factory
Dieser Stack spiegelt wider, wie wir Software-Engineering-Agents bei LangChain einsetzen, aber die Komponenten sind Open Source, sodass andere Teams sie anpassen und die volle Kontrolle über Ihre eigene Software-Factory behalten können.
Sie können klein anfangen:
- Verwenden Sie dcode für lokales Programmieren.
- Fügen Sie OpenSWE hinzu, um Programmier-Agents von Slack, Linear, GitHub oder der Weboberfläche aus auszuführen.
- Schalten Sie OpenSWE Review für automatisiertes PR-Review ein.
- Verwenden Sie OpenWiki, um Repo-Wissen für Menschen und Agents zu pflegen.
- Verbinden Sie Traces mit LangSmith, wenn Sie Beobachtbarkeit und Verbesserungsschleifen im gesamten System wünschen.
Das Ziel ist nicht, jeden Engineering-Workflow in eine einzige Agent-Schnittstelle zu verlagern. Es geht darum, die richtigen Agents an den Stellen zu platzieren, an denen Engineering-Arbeit bereits stattfindet, mit genügend Kontrolle, um sie an Ihre Repos, Modelle und Teamkonventionen anzupassen.
