LangChain veröffentlicht Open SWE Framework für Enterprise-KI-Programmier-Agents

Rongchai Wang 17.03.2026 17:33

LangChain macht Open SWE als Open Source verfügbar, ein Framework, das die bei Stripe, Coinbase und Ramp eingesetzten Programmier-Agent-Architekturen widerspiegelt. Aufgebaut auf Deep Agents und LangGraph.

LangChain hat Open SWE veröffentlicht, ein Open-Source-Framework, das die architektonischen Muster erfasst, die Stripe, Coinbase und Ramp unabhängig voneinander für ihre internen KI-Programmier-Agents entwickelt haben. Das MIT-lizenzierte Projekt, aufgebaut auf LangChains Deep Agents und LangGraph-Plattformen, bietet eine anpassbare Grundlage für Engineering-Organisationen, die autonome Programmierassistenten einsetzen möchten.

Enterprise-Konvergenz treibt das Design voran

Das Framework entsteht aus beobachtbarer Konvergenz unter großen Fintech-Playern. Stripe entwickelte Minions, Ramp entwickelte Inspect und Coinbase schuf Cloudbot – alle kamen zu ähnlichen architektonischen Entscheidungen, obwohl sie unabhängig voneinander arbeiteten.

Diese gemeinsamen Muster umfassen isolierte Cloud-Sandboxen für Code-Ausführung, kuratierte Toolsets (Stripe pflegt Berichten zufolge etwa 500 sorgfältig ausgewählte Tools), Slack-First-Invokation, reichhaltige Kontext-Injection aus Linear-Issues oder GitHub-PRs und Subagent-Orchestrierung für komplexe Aufgaben.

„Diese architektonischen Entscheidungen haben sich über mehrere Produktions-Deployments hinweg als effektiv erwiesen", bemerkte LangChain in der Ankündigung, obwohl sie anerkennen, dass Organisationen Komponenten an ihre eigenen Umgebungen anpassen müssen.

Technische Architektur

Open SWE wird mit etwa 15 kuratierten Tools ausgeliefert, die Shell-Ausführung, Web-Fetching, API-Aufrufe, Git-Operationen und Integrationen mit Linear und Slack abdecken. Das Framework unterstützt austauschbare Sandbox-Anbieter einschließlich Modal, Daytona, Runloop und LangSmith.

Jede Aufgabe läuft in einer isolierten Linux-Umgebung mit vollem Shell-Zugriff. Das Repository wird geklont, der Agent erhält vollständige Berechtigungen innerhalb dieser Grenze, und Fehler bleiben enthalten. Mehrere Aufgaben können parallel laufen, jede in separaten Sandboxen.

Context-Engineering geschieht über zwei Kanäle: eine AGENTS.md-Datei im Repository-Root, die Team-Konventionen und architektonische Entscheidungen codiert, plus vollständiger Linear-Issue- oder Slack-Thread-Verlauf, der zusammengestellt wird, bevor der Agent mit der Arbeit beginnt.

Die Orchestrierungsschicht kombiniert modellgetriebenes Subagent-Spawning mit deterministischen Middleware-Hooks. Eine Middleware-Komponente injiziert Follow-up-Nachrichten, die während der Laufzeit eintreffen. Eine andere fungiert als Sicherheitsnetz und committet automatisch und öffnet einen PR, wenn der Agent diesen Schritt nicht abschließt.

Komposition statt Forking

Anstatt einen bestehenden Agent zu forken, komponiert Open SWE auf dem Deep Agents Framework – ähnlich wie Ramps Team Inspect auf OpenCode aufbaute. Dieser Ansatz bietet einen Upgrade-Pfad: Wenn Deep Agents das Kontext-Management oder die Token-Effizienz verbessert, können diese Verbesserungen durchfließen, ohne Anpassungen neu aufbauen zu müssen.

Deep Agents verwaltet dateibasierten Speicher, um Kontext-Overflow bei größeren Codebasen zu verhindern, bietet strukturierte Planung über ein write_todos-Tool und unterstützt isoliertes Subagent-Spawning, bei dem verschiedene Subtasks nicht die Konversationshistorie des jeweils anderen verschmutzen.

Wie es sich vergleicht

Der Vergleich mit Enterprise-Implementierungen zeigt erwartete Unterschiede in Implementierungsdetails. Stripe verwendet geforktes Goose mit AWS EC2 Devboxes und dreischichtiger Validierung. Ramp komponierte auf OpenCode mit Modal-Containern und visueller DOM-Verifizierung. Coinbase baute von Grund auf mit Agent-Councils und Auto-Merge-Fähigkeiten.

Open SWE nutzt standardmäßig Claude Opus 4, unterstützt aber jeden LLM-Anbieter. Organisationen können verschiedene Modelle für verschiedene Subtasks konfigurieren.

Deployment-Realität

Das Framework repräsentiert LangChains Wette auf eine bestimmte Entwicklungsbahn für KI-gestützte Entwicklung: autonome, langlebige Agents, die sich in bestehende Entwickler-Workflows integrieren, anstatt neue Schnittstellen zu erfordern. Dies unterscheidet sich vom kurzen, synchronen In-IDE-Copilot-Modell, das frühere KI-Programmier-Tools dominierte.

Die Dokumentation umfasst einen Installationsleitfaden für GitHub-App-Erstellung, LangSmith-Setup und Produktions-Deployment, plus einen Anpassungsleitfaden zum Austausch von Sandbox-Anbietern, Modellen, Tools und Triggern.

Open SWE ist jetzt verfügbar unter github.com/langchain-ai/open-swe. Organisationen, die an LangSmith Sandboxes interessiert sind, können sich über LangChains Website auf eine Warteliste setzen lassen.

• KI-Programmier-Agents
• langchain
• open swe
• Enterprise-Entwicklung
• Open Source