LangBot 4.10.2-Update erklärt: Sandbox, Skills, RAG-Plugins und Funktionen des Enterprise-AI-Bot-Frameworks

Die Sandbox, auch Box Runtime genannt, bietet dem integrierten Agenten eine isolierte Ausführungsumgebung. Einfach ausgedrückt kann der Agent dadurch eher wie ein Entwickler arbeiten: Er kann Befehle ausführen, Dateien lesen und schreiben, Dateien bearbeiten und Projektinhalte durchsuchen, ohne die Host-Umgebung direkt zu berühren.

Das native Toolset umfasst sechs zentrale Tools:

Werkzeug	Zweck
`exec`	Shell-Befehle ausführen.
`read`	Dateiinhalte lesen.
`write`	Dateien schreiben.
`edit`	Vorhandene Dateien bearbeiten.
`glob`	Dateien anhand von Mustern abgleichen.
`grep`	In Dateiinhalten suchen.

Das Sandbox-Backend ist austauschbar. Je nach Bereitstellungsumgebung kann LangBot Docker, nsjail oder E2B als Isolations-Backend verwenden. Das System kann automatisch eine geeignete Option auswählen.

Der ursprüngliche Autor weist außerdem auf einen architektonischen Vorteil hin: LangBot trennt die Plugin-Laufzeit bereits vom Hauptsystem. Dadurch lässt sich das Design leichter erweitern. Zum Beispiel kann die WebUI auf einem Rechner laufen, das LangBot-Backend auf einem NAS, und die Plugin-Laufzeit kann an einem anderen Ort bereitgestellt werden, etwa auf einem Raspberry Pi.

Box Runtime kann auch MCP-Server im stdio-Modus hosten und bietet LangBot damit eine sicherere und flexiblere Möglichkeit, die Tool-Fähigkeiten zu erweitern.

Um das vollständige Profil in einer Docker-Bereitstellung zu aktivieren, verwenden Sie:

`docker compose --profile all up`

Um die Sandbox zu deaktivieren, setzen Sie:

box:
  enabled: false

Skills-System

Skills sind bedarfsorientierte Anweisungspakete. Ein Skill kann Prompts, Skripte, Verfahren, Vorlagen oder Referenzdateien enthalten. Der entscheidende Punkt ist, dass der Agent nicht ständig jeden Skill in den Kontext laden muss.

Stattdessen sieht der Agent in der Regel nur eine Liste verfügbarer Fähigkeiten. Wenn eine Aufgabe eine bestimmte Fähigkeit erfordert, wird der vollständige Inhalt dieser Fähigkeit erst in diesem Moment geladen. Dadurch wird Kontextverschwendung reduziert, und lang andauernde oder komplexe Gespräche lassen sich leichter verwalten.

Dieses Design ist nützlich, wenn ein Agent spezialisierte Fähigkeiten benötigt, aber nicht jede Anweisung im System-Prompt mitführen sollte. Es hält den Standardkontext schlanker und ermöglicht bei Bedarf dennoch tiefere Funktionalität.

Funktionen, die bereits in v4.9.x eingeführt wurden

Funktion	Was sich geändert hat
Plugin-Erweiterungsseiten	Plugins können eine benutzerdefinierte UI über ein iframe und ein Seiten-SDK rendern.
Überwachung und Feedback	Feedback kann mit Nachrichten-IDs verknüpft werden, und Feedback-Daten können exportiert werden.
Sicherheitshärtung	Sicherheitsrelevante Korrekturen und Verbesserungen der Schutzmaßnahmen wurden für Unternehmensszenarien hinzugefügt.

LangBot v4.9.0: Pluginisierung der Wissensdatenbank

LangBot v4.9.0 konzentrierte sich darauf, die Funktionalität der Wissensdatenbank beziehungsweise RAG in eine pluginbasierte Architektur umzustrukturieren. Der Autor weist darauf hin, dass dies ein seit Langem geplantes, tiefgreifendes Update war, insbesondere für eine bessere Integration mit Plattformen wie Dify.

Im neuen Design behandelt LangBot integrierte Wissensdatenbanken und externe Wissensdatenbanken nicht länger als zwei getrennte Kategorien. Stattdessen werden alle Wissensdatenbanken auf einheitliche Weise verwaltet. Verschiedene Wissens-Engines werden über Plugins bereitgestellt.

Die wichtigsten Änderungen umfassen:

Einheitliche Verwaltung: integrierte und externe Wissensdatenbanken werden unter einem gemeinsamen Verwaltungsmodell gehandhabt.

Neuer Komponententyp: die Plugin-Komponente `KnowledgeEngine` wurde eingeführt.

Dynamische Formulare: Beim Erstellen einer Wissensdatenbank kann das Formular je nach ausgewählter Engine unterschiedlich dargestellt werden.
API-basierte Kernfunktionen: Embedding-Aufrufe und Vektordatenbank-Operationen sind in RAGRuntimeService gekapselt, sodass Plugins sie über APIs aufrufen können.
Automatische Migration: Wissensdatenbanken, die in älteren Versionen erstellt wurden, können nach dem Upgrade auf v4.9.0 automatisch migriert werden.

LangBot 4.10.2-Update erklärt: Sandbox, Skills, RAG-Plugins und Funktionen des Enterprise-AI-Bot-Frameworks

Der Screenshot zeigt mehrere RAG-bezogene Plugins für Wissens-Engines. Im Originalbeitrag werden fünf RAG-Optionen erwähnt, darunter die eigene Forschungsarbeit des LangBot-Teams.

Weitere wichtige Aktualisierungen

LangBot Cloud wurde ebenfalls offiziell eingeführt. Nutzer, die kein Self-Hosting möchten, können LangBot über den offiziellen Cloud-Dienst nutzen.

Diese Release-Linie enthält außerdem mehrere Fehlerbehebungen, unter anderem in Bereichen wie der Dify-Ausgabeanalyse, dem Senden von WebSocket-Nachrichten und der Konvertierung von Konfigurationstypen.

Nachdem die Wissensdatenbank pluginisiert wurde, erhielten Entwickler eine sauberere Möglichkeit, benutzerdefinierte Wissens-Engines mit LangBot zu verbinden. Dies ist besonders nützlich für Teams mit komplexeren geschäftlichen Anforderungen.

Updates, die bereits hinzugefügt wurden, über die aber nur selten geschrieben wurde

Der ursprüngliche Autor geht dann über öffentliche Release Notes hinaus und listet mehrere Funktionen auf, die bereits geändert worden waren, in früheren Artikeln jedoch nicht vollständig erklärt wurden.

Der LangBot-Plugin-Markt hat die Marke von 400 Einträgen überschritten

Dem ursprünglichen Beitrag zufolge hat der LangBot-Plugin-Markt bereits die Marke von 400 Einträgen überschritten. Der Autor merkt außerdem an, dass das Team Plugins prüft und dass reine Unterhaltungs-Plugins relativ begrenzt sind, mit geringer Duplizierung.

Dieser Punkt ist wichtig, weil Plugin-Ökosysteme oft wichtiger sind als eine einzelne integrierte Funktionsliste. Ein größeres Ökosystem bedeutet, dass Nutzer LangBot für unterschiedliche Workflows erweitern können, anstatt darauf zu warten, dass jede Fähigkeit Teil des Kernprodukts wird.

Die Kompatibilität mit externen KI-Anwendungsplattformen hat mehr als sieben Plattformen erreicht

LangBot hat die Kompatibilität mit externen Plattformen zur Entwicklung von KI-Anwendungen weiter ausgebaut. Im Originalartikel werden aktuelle Neuerungen rund um Weknora und Deerflow erwähnt, wobei betont wird, dass LangBot großen Wert auf Erweiterbarkeit legt.

Der Screenshot zeigt dateien im Zusammenhang mit Konnektoren für mehrere Plattformen, darunter Coze, DashScope, DeerFlow, Dify, Langflow, lokale Agents, n8n, Tbox und Weknora.

LangTARS und OpenClaw-ähnliche Funktionen werden kontinuierlich verbessert

LangTARS wird als modulare Fähigkeitsschicht beschrieben. LangBot fungiert als einheitliche Grundlage, die Modelle, Werkzeuge, Wissensdatenbanken und den Gesprächsverlauf sicher für lokale oder Drittanbieter-Agents bereitstellt.

Dadurch kann sich ein Agent auf die Geschäftslogik konzentrieren: Benutzerabsichten verstehen, Werkzeuge aufrufen, Wissen abrufen und Antworten strukturieren. Der Agent muss sich nicht um die technischen Details der zugrunde liegenden Verbindungen kümmern.

Der Artikel erwähnt außerdem, dass diese Fähigkeiten sowohl sandboxbasierte Betriebsabläufe als auch Szenarien zur Steuerung von Personal Computern unterstützen können.

Aktualisierungen des SaaS-Plattform-Agenten

Die SaaS-Plattform hat ebenfalls Agent-Updates erhalten. Der Autor geht hier nicht näher ins Detail, merkt jedoch an, dass SaaS-Nutzer diese Änderungen bereits erlebt haben, während die Open-Source-Community einige Funktionen möglicherweise erst einige Versionen später erhält.

Enterprise-Modell-Callback-Routing

LangBot hat ein Callback-Routing für Modelle auf Unternehmensebene hinzugefügt. Wenn ein Modellaufruf fehlschlägt, kann die Nachricht an ein zuvor festgelegtes Fallback-Modell weitergeleitet werden.

Der Wert dieses Designs liegt darin, dass es hilft, Einschränkungen im Zusammenhang mit API-Schlüsseln und Modellanbietern zu überwinden. Für Unternehmenssysteme kann dies die Zuverlässigkeit verbessern, wenn ein Anbieter ausfällt oder ein Limit erreicht.

LangBot unterstützt direkt oder indirekt mehr als 30 IM-Plattformen

LangBot hat bereits eine breite Kompatibilität mit Instant-Messaging-Plattformen erreicht. Im Originalartikel heißt es, dass LangBot direkt oder indirekt mehr als 30 IM-Plattformen unterstützt.

Bei Bot-Frameworks ist die IM-Abdeckung von großer Bedeutung. Ein Unternehmen benötigt möglicherweise ein Bot-System, das plattformübergreifend mit WeChat, QQ, Lark, DingTalk, Telegram, Discord, Slack, LINE und anderen Plattformen funktioniert. Ein einheitliches Bot-Framework kann doppelte Integrationsarbeit reduzieren.

Pipeline-Routing: Workflow-ähnliches Routing von Konversationen

Der Artikel erwähnt außerdem Pipeline-Routing, das sich in gewisser Weise wie Workflow verhält.

Mit dieser Funktion kann LangBot Konversationen anhand von geschäftsbezogenen Schlüsselwörtern oder anderen Bedingungen an verschiedene Pipelines weiterleiten. Unterschiedliche Pipelines können unterschiedliche Prompts, Erweiterungen und Datenbanken verwenden. Sie können auch verschachtelt sein.

Der ursprüngliche Autor fügt einen wichtigen Hinweis hinzu: Sobald das visuelle Workflow-Update erscheint, könnte diese Pipeline-Routing-Funktion entfernt oder ersetzt werden, da die visuelle Workflow-Orchestrierung stabiler und einfacher zu verwenden sein wird.

QR-Code-Konfiguration

Für einige unterstützte offene Plattformen kann LangBot eine QR-Code-basierte Konfiguration verwenden. Dadurch wird es einfacher, eine offene Plattform zu konfigurieren, ohne jedes Detail manuell eingeben zu müssen.

Vorschau auf zukünftige Updates

Einige kommende Funktionen waren bereits in Entwicklung, als der Ausgangsartikel geschrieben wurde. Der Autor weist darauf hin, dass einige Inhalte so neu waren, dass zum damaligen Zeitpunkt selbst die offizielle Website noch nicht aktualisiert worden war.

Use We0 AI

Erstelle in Minuten eine Showcase-Website und gewinne Leads

Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.

Ohne Titel-1

Layout

Füllen

Radius

Generieren

Visuelle Workflow-Orchestrierung ist bereits entwickelt

Die Funktion zur visuellen Workflow-Orchestrierung ist bereits fertig entwickelt, und der Zeitpunkt für das Zusammenführen wurde festgelegt.

Dies ist eine der wichtigeren zukünftigen Änderungen, weil sie komplexe Logik in der WebUI einfacher aufzubauen und zu pflegen machen kann.

Integration anderer agentenähnlicher Fähigkeiten im CLI-Stil

Der Artikel erwähnt außerdem, dass das mit cc verbundene Projekt einige Aufmerksamkeit erlangt hatte, sodass das Team beschloss, Unterstützung für andere Fähigkeiten im CLI-Stil hinzuzufügen, ähnlich wie bei Claude Code und Codex.

Diese Richtung passt zum breiteren Trend, KI-Agenten direkter mit Entwicklungsumgebungen, Kommandozeilenwerkzeugen und lokalen Projekten arbeiten zu lassen.

Weitere Funktionen sind in Vorbereitung

Der Autor behält die verbleibenden kommenden Funktionen als kleinen Vorgeschmack zurück. Die Hauptaussage ist klar: Das aktuelle LangBot-Update ist nicht das Endziel, und die Roadmap umfasst weiterhin weitere Verbesserungen im Bereich Agenten und Workflows.

Ein Hinweis zu nicht verifizierten Vergleichen

Der Originalartikel reagiert außerdem auf einen anderen Artikel, der nach Angaben des Autors vor den Vergleichen nicht genügend Details überprüft hat.

Im Screenshot steht, dass LangBot und AstrBot beide auf nützliche KI-Bot-Ökosysteme hinarbeiten, dabei jedoch unterschiedliche Schwerpunkte setzen. LangBot konzentriert sich stärker darauf, KI-Anwendungen schnell mit Chat-Ökosystemen zu verbinden, während AstrBot sich stärker darauf konzentriert, den Bot selbst zu einer erweiterbaren intelligenten Plattform zu machen.

Die praktische Schlussfolgerung ist einfach: Vergleiche sollten auf verifizierten Funktionen, Anwendungsfällen und Bereitstellungsanforderungen basieren. Ein Framework kann nur dann „kleiner“ wirken, wenn der Vergleich Plugin-Systeme, Laufzeittrennung, Plattformintegrationen oder Enterprise-Routing-Funktionen außer Acht lässt.

Wir sind uns alle ähnlich

Der Autor fügt kurz einen nachdenklichen Punkt hinzu: Projekte im selben Ökosystem sehen oft ähnlich aus, weil sie auf ähnliche Nutzerbedürfnisse reagieren.

Frameworks für KI-Bots versuchen alle, Modelle, Werkzeuge, Wissensdatenbanken, Messaging-Plattformen und Nutzer-Workflows miteinander zu verbinden. Ähnlichkeit ist nicht unbedingt ein Problem. Der eigentliche Unterschied liegt in der Architektur, dem Erweiterungsmodell, dem Bereitstellungsdesign und darin, wie schnell ein Team reale Anwendungsfälle unterstützen kann.

Jeder hat unterschiedliche Situationen

Verschiedene Teams entwickeln unter unterschiedlichen Einschränkungen. Einige konzentrieren sich auf einfache lokale Nutzung. Einige konzentrieren sich auf einen großen Reichtum an Plugins. Einige konzentrieren sich auf die Bereitstellung in Unternehmen. Einige konzentrieren sich auf die Abdeckung von Chat-Plattformen.

Deshalb sollte ein ernsthafter Vergleich nicht nur fragen: „Welche Lösung hat mehr Funktionen?“ Er sollte auch fragen: Welches Framework passt zum Bereitstellungsszenario, zur Teamgröße, zu den Plattformanforderungen, zu den Wartungsmöglichkeiten und zum langfristigen Erweiterungsplan?

Backlog-Test bei hoher Parallelität

Am Ende des Originalartikels ergänzt der Autor leistungsbezogene Daten. Für ein Framework sind hohe Parallelität und die Handhabung mehrerer Sitzungen wichtige Indikatoren.

Die Testmethode bestand darin, unverarbeitete Sitzungen auf etwa 50–70 anwachsen zu lassen, dann die Geschwindigkeit schrittweise zu verringern und die TPS zu beobachten, wenn das System ein Lastgleichgewicht erreichte.

Der Autor weist darauf hin, dass es während des Tests zu einem Sitzungsrückstau kam, sodass dieser eine Umgebung mit hoher Parallelität darstellt und nicht genau mit normalem Produktionsverkehr übereinstimmt. Dennoch bietet er einen nützlichen Einblick in die Framework-Leistung unter Belastung.

Im Quellartikel beschriebene Testbedingungen:

Einheit

Element	Testbedingung
Hardware	Raspberry Pi 5 mit 8 GB Speicher
System	Ubuntu 22
Bereitstellung	Frontend und Backend laufen gemeinsam
Container-Nutzung	Keine Container-Bereitstellung
KI-API	Dieselbe OpenAI-Schnittstelle
Modell-/API-Latenz	Dasselbe KI-Schnittstellen-Latenzmodell und dieselben Standardparameter
Antworten pro Stunde

Inländische Frameworks A/B

Die folgenden Diagramme stammen aus dem im Originalartikel gezeigten A/B-Test der inländischen Frameworks.

Nach der Interpretation des Diagramms durch den Originalautor liegt die TPS bei etwa 240 Antworten pro Stunde.

LangBot

Die folgenden Diagramme stammen aus dem im Originalartikel gezeigten LangBot-Test.

Laut der Auswertung des Diagramms durch den ursprünglichen Autor erreicht LangBot in diesem Test etwa 1260 Antworten pro Stunde.

Der Autor weist außerdem darauf hin, dass dies für LangBot möglicherweise noch etwas unfair ist, da LangBot mit einer zusätzlichen Runtime-Komponente startet. Selbst mit dieser zusätzlichen Komponente liegt das Ergebnis im gezeigten Test weiterhin deutlich höher.

Hinweis zur Leistungsbewertung

Diese Diagramme sind nützlich, sollten jedoch nicht als universeller Produktions-Benchmark betrachtet werden. Der Autor verwendete einen Raspberry Pi 5 und eine spezifische Testmethode, sodass sich die absoluten Zahlen bei anderer Hardware, anderen APIs, anderer Modelllatenz und anderen Deployment-Topologien ändern können.

Das nützlichere Signal ist das relative TPS-Verhältnis unter derselben Testumgebung. Der ursprüngliche Autor sagt außerdem, dass die zugehörige Testsoftware später möglicherweise als Open Source veröffentlicht wird.

FAQ

Was ist LangBot?

LangBot ist eine Open-Source-Plattform in Produktionsqualität zum Erstellen von KI-gestützten Instant-Messaging-Bots. Sie verbindet große Sprachmodelle und KI-Anwendungsplattformen mit Chat-Plattformen wie Discord, Telegram, Slack, WeChat, QQ, Lark, DingTalk und weiteren.

Was hat sich in LangBot v4.10.x geändert?

Das wichtigste Update ist die Einführung von Sandbox und Skills. Die Sandbox bietet dem Agenten einen isolierten Arbeitsbereich für Befehls- und Dateioperationen, während Skills es dem Agenten ermöglichen, spezialisierte Anweisungen nur bei Bedarf zu laden.

Was ist die LangBot Box Runtime?

Die Box Runtime ist die Sandbox-Ausführungsumgebung von LangBot. Sie kann Werkzeuge wie exec, read, write, edit, glob und grep bereitstellen und hält die Ausführung dabei von der Host-Umgebung isoliert.

Wie aktiviere ich die LangBot-Sandbox in Docker?

Für die Bereitstellung mit Docker verwendet der Originalartikel docker compose --profile all up, um das vollständige Profil zu starten. Um die Sandbox zu deaktivieren, setzen Sie in der Konfiguration box.enabled: false.

Wofür werden LangBot Skills verwendet?

Skills sind bedarfsgesteuerte Anweisungspakete für den Agenten. Sie können Prompts, Verfahren, Skripte und Referenzdateien enthalten, sodass der Agent spezialisiertes Wissen nutzen kann, ohne zu Beginn alles in den Kontext laden zu müssen.

Ist LangBot besser als AstrBot?

Die Antwort hängt vom Anwendungsfall ab. LangBot konzentriert sich stark auf die Anbindung von KI-Anwendungen an Chat-Ökosysteme, Enterprise-Routing, die Trennung von Plugin-Laufzeitumgebungen, RAG, MCP und die Bereitstellung auf Multi-Plattform-IM-Systemen. AstrBot verfügt ebenfalls über starke Agent- und Bot-Framework-Fähigkeiten, daher hängt die richtige Wahl vom Bereitstellungsszenario und den Prioritäten bei den Funktionen ab.

Sind die TPS-Zahlen in diesem Artikel Produktions-Benchmarks?

Nein. Der ursprüngliche Test verwendete ein bestimmtes Raspberry-Pi-5-Setup und ein kontrolliertes Backlog-Szenario. Die Zahlen sind als Referenz nützlich, aber die Produktionsleistung hängt von der Hardware, der API-Latenz, der Bereitstellungsmethode, der Sitzungslast und der Konfiguration ab.

Kann LangBot für Enterprise-Bots verwendet werden?

Ja, LangBot ist für den produktiven Einsatz und Unternehmensszenarien konzipiert, insbesondere dort, wo Teams plattformübergreifende IM-Unterstützung, Wissensdatenbank-Integration, Modell-Routing, Monitoring und erweiterbare Plugin-Funktionen benötigen.