LangChain veröffentlicht Open SWE: Open-Source-Framework für interne Coding-Agenten

Muster aus den Systemen von Stripe, Ramp und Coinbase

LangChain zufolge haben im vergangenen Jahr mehrere Engineering-Organisationen interne Coding-Agenten aufgebaut, die an der Seite ihrer Entwicklungsteams arbeiten. Stripe entwickelte Minions, Ramp baute Inspect, und Coinbase schuf Cloudbot. Die Systeme sind über Slack, Linear und GitHub erreichbar, sodass Entwicklerinnen und Entwickler keine neuen Oberflächen erlernen müssen.

Obwohl die Systeme unabhängig voneinander entstanden, sind sie laut LangChain bei ähnlichen Designs gelandet. Das Unternehmen nennt fünf gemeinsame Muster:

• Isolierte Ausführungsumgebungen: Aufgaben laufen in dedizierten Cloud-Sandboxes mit vollen Berechtigungen innerhalb strikter Grenzen. Das begrenzt den Schaden bei Fehlern und erlaubt es den Agenten, Befehle ohne Freigabeabfrage für jede einzelne Aktion auszuführen.
• Kuratierte Toolsets: Nach Angaben des Engineering-Teams von Stripe haben die dortigen Agenten Zugriff auf rund 500 Tools, die gezielt ausgewählt und gepflegt werden, statt sich über die Zeit anzusammeln.
• Aufruf über Slack: Alle drei Systeme nutzen Slack als primäre Schnittstelle.
• Umfangreicher Kontext beim Start: Die Agenten ziehen sich den vollständigen Kontext aus Linear-Tickets, Slack-Threads oder GitHub-PRs, bevor sie mit der Arbeit beginnen.
• Orchestrierung von Subagenten: Komplexe Aufgaben werden aufgeteilt und an spezialisierte untergeordnete Agenten mit isoliertem Kontext delegiert.

LangChain ergänzt, dass Organisationen einzelne Komponenten voraussichtlich an ihre eigene Umgebung anpassen müssen.

So ist Open SWE aufgebaut

Open SWE basiert auf Deep Agents und LangGraph. Statt einen bestehenden Agenten zu forken oder bei null anzufangen, setzt es auf dem Deep-Agents-Framework auf. LangChain vergleicht das mit dem Vorgehen von Ramp, das Inspect auf OpenCode aufgebaut hat. Zwei Vorteile nennt LangChain: Verbesserungen an Deep Agents lassen sich übernehmen, ohne Anpassungen neu bauen zu müssen, und organisationsspezifische Tools, Prompts und Workflows bleiben als Konfiguration erhalten, statt in die Kernlogik des Agenten einzugreifen.

Jede Aufgabe läuft in ihrer eigenen isolierten Cloud-Sandbox, beschrieben als Remote-Linux-Umgebung mit vollem Shell-Zugriff. Von Haus aus unterstützt werden die Anbieter Modal, Daytona, Runloop und LangSmith; zudem können Nutzer ein eigenes Sandbox-Backend schreiben. Jeder Gesprächs-Thread erhält eine persistente Sandbox, die für Folgenachrichten wiederverwendet wird. Sandboxes werden automatisch neu erstellt, wenn sie nicht mehr erreichbar sind, und mehrere Aufgaben können parallel laufen.

Das Toolset ist bewusst klein gehalten. Open SWE wird mit execute, fetch_url, http_request, commit_and_open_pr, linear_comment und slack_thread_reply ausgeliefert, dazu kommen die integrierten Deep-Agents-Tools read_file, write_file, edit_file, ls, glob, grep, write_todos und task. Laut LangChain ist ein kleineres Toolset leichter zu testen, zu warten und nachzuvollziehen. Teams können Tools wie interne APIs oder eigene Deployment-Systeme gezielt hinzufügen.

Kontext, Orchestrierung und Aufruf

Open SWE bezieht Kontext aus zwei Quellen. Liegt im Stammverzeichnis eines Repositorys eine AGENTS.md-Datei, wird sie aus der Sandbox gelesen und in den System-Prompt eingespeist, um Konventionen, Testanforderungen und teamspezifische Muster abzubilden. Außerdem wird dem Agenten vor dem Start das vollständige Linear-Ticket mit Titel, Beschreibung und Kommentaren bzw. der Verlauf des Slack-Threads übergeben, was zusätzliche Tool-Aufrufe erspart.

Die Orchestrierung kombiniert Subagenten mit deterministischer Middleware. Der Hauptagent kann unabhängige Teilaufgaben über das Tool task an Subagenten delegieren, die jeweils einen eigenen Middleware-Stack, eine eigene Todo-Liste und eigene Dateioperationen haben. Genannt werden drei Middleware-Hooks:

• check_message_queue_before_model: fügt Folgekommentare aus Linear oder Slack-Nachrichten, die während eines Laufs eintreffen, vor dem nächsten Modellaufruf ein.
• open_pr_if_needed: committet und öffnet einen PR, falls der Agent diesen Schritt nicht abgeschlossen hat.
• ToolErrorMiddleware: fängt Tool-Fehler ab und behandelt sie.

Nutzer können den Agenten auf drei Wegen aufrufen. In Slack erwähnen sie den Bot in einem Thread und können mit der Syntax repo:owner/name ein Repository auswählen. In Linear kommentieren sie @openswe an einem Ticket. In GitHub taggen sie @openswe in Kommentaren zu vom Agenten erstellten PRs, damit er Review-Feedback aufgreift und Korrekturen auf denselben Branch pusht. Jeder Aufruf erzeugt eine deterministische Thread-ID, sodass Folgeanfragen beim selben laufenden Agenten landen.

Zur Validierung wird der Agent angewiesen, vor dem Commit Linter, Formatter und Tests auszuführen. Laut LangChain können Teams diese Schicht als zusätzliche Middleware um deterministische CI-Prüfungen, visuelle Verifikation oder Review-Gates erweitern.

Was das für Engineering-Teams bedeutet

LangChain versteht Open SWE als Ausgangspunkt für Organisationen, die interne Coding-Agenten erkunden: Es bietet die gängige Architektur, ohne dass man bei null anfangen muss. Das Unternehmen verweist zudem auf Funktionen von Deep Agents, die das Design stützen, etwa dateibasiertes Kontextmanagement, das große Ergebnisse auslagert, statt sie im Gesprächsverlauf zu halten. Das könne laut LangChain helfen, Kontextüberläufe bei größeren Codebasen zu vermeiden. Das integrierte Tool write_todos gibt Agenten eine strukturierte Möglichkeit, komplexe Arbeit zu planen und zu verfolgen.

Weil Anpassungen in der Konfiguration statt in einem Fork liegen, können Teams, die das Framework einsetzen, laut LangChain grundsätzlich Verbesserungen an Deep Agents aus dem Upstream übernehmen und dabei ihre eigenen Tools und Prompts behalten.