Объяснение обновления LangBot 4.10.2: Sandbox, Skills, плагины RAG и возможности корпоративного фреймворка AI-ботов

Песочница, также называемая Box Runtime, предоставляет встроенному агенту изолированную среду выполнения. Проще говоря, агент может работать больше как разработчик: он может выполнять команды, читать и записывать файлы, редактировать файлы и искать по содержимому проекта, не взаимодействуя напрямую с хост-средой.

Нативный набор инструментов включает шесть основных инструментов:

Бэкенд песочницы является подключаемым. В зависимости от среды развертывания LangBot может использовать Docker, nsjail или E2B в качестве бэкенда изоляции. Система может автоматически выбрать подходящий вариант.

Оригинальный автор также отмечает архитектурное преимущество: LangBot уже отделяет среду выполнения плагинов от основной системы. Это делает архитектуру более простой для расширения. Например, WebUI может работать на одной машине, бэкенд LangBot — на NAS, а Plugin Runtime может быть развернут в другом месте, например на Raspberry Pi.

Box Runtime также может размещать MCP-серверы в режиме stdio, предоставляя LangBot более безопасный и гибкий способ расширения возможностей инструментов.

Чтобы включить полный профиль при развертывании Docker, используйте:

docker compose --profile all up

Чтобы отключить песочницу, установите:

box:
  enabled: false

Система навыков

Навыки — это пакеты инструкций, загружаемые по запросу. Навык может включать промпты, скрипты, процедуры, шаблоны или справочные файлы. Ключевой момент в том, что Агенту не нужно постоянно загружать каждый навык в контекст.

Вместо этого Агент обычно видит только список доступных навыков. Когда для задачи требуется конкретный навык, его полное содержимое загружается только в этот момент. Это уменьшает потери контекста и упрощает управление длительными или сложными диалогами.

Такая архитектура полезна, когда Агенту нужны специализированные возможности, но при этом он не должен нести все инструкции в системном промпте. Это делает контекст по умолчанию легче, при этом по-прежнему позволяя использовать более глубокие возможности при необходимости.

Функции, которые уже появились в v4.9.x

LangBot v4.9.0: Плагинизация базы знаний

LangBot v4.9.0 был сосредоточен на реструктуризации функциональности базы знаний, или RAG, в архитектуру на основе плагинов. Автор отмечает, что это было давно запланированное глубокое обновление, особенно для лучшей интеграции с такими платформами, как Dify.

В новой архитектуре LangBot больше не рассматривает встроенные базы знаний и внешние базы знаний как две отдельные категории. Вместо этого все базы знаний управляются единообразно. Разные движки знаний предоставляются через плагины.

Основные изменения включают:

1. Единое управление: встроенные и внешние базы знаний обрабатываются в рамках одной модели управления.

Новый тип компонента: был представлен компонент плагина KnowledgeEngine.

• Динамические формы: при создании базы знаний форма может отображаться по-разному в зависимости от выбранного движка.

• Основные возможности на базе API: вызовы embedding и операции с векторной базой данных обёрнуты в RAGRuntimeService, поэтому плагины могут вызывать их через API.

• Автоматическая миграция: базы знаний, созданные в более старых версиях, могут быть автоматически перенесены после обновления до v4.9.0.

На скриншоте показаны несколько плагинов движков знаний, связанных с RAG. В оригинальном посте упоминаются пять вариантов RAG, включая собственные исследовательские разработки команды LangBot.

Другие важные обновления

LangBot Cloud также был официально запущен. Пользователи, которые не хотят самостоятельно размещать сервис, могут воспользоваться LangBot через официальный облачный сервис.

Эта линейка релизов также включает несколько исправлений, охватывающих такие области, как разбор вывода Dify, отправка сообщений WebSocket и преобразование типов конфигурации.

После того как база знаний стала плагинизированной, разработчики получили более удобный способ подключать собственные движки знаний к LangBot. Это особенно полезно для команд с более сложными бизнес-требованиями.

Обновления, которые уже были добавлены, но о которых редко писали

Затем автор выходит за рамки публичных примечаний к релизам и перечисляет несколько функций, которые уже были изменены, но не были полностью объяснены в предыдущих статьях.

Маркет плагинов LangBot превысил 400 позиций

Согласно исходному сообщению, в маркете плагинов LangBot уже более 400 позиций. Автор также отмечает, что команда проверяет плагины, а количество плагинов исключительно развлекательного характера относительно ограничено, при низком уровне дублирования.

Этот момент важен, потому что экосистемы плагинов часто важнее, чем список отдельных встроенных функций. Более крупная экосистема означает, что пользователи могут расширять LangBot для различных рабочих процессов, вместо того чтобы ждать, пока каждая возможность станет частью основного продукта.

Совместимость с внешними платформами ИИ-приложений превысила семь платформ

LangBot продолжает расширять совместимость с внешними платформами разработки AI-приложений. В оригинальной статье упоминаются недавние обновления, связанные с Weknora и Deerflow, с акцентом на то, что LangBot уделяет большое внимание расширяемости.

На скриншоте показаны файлы, связанные с коннекторами для нескольких платформ, включая Coze, DashScope, DeerFlow, Dify, Langflow, локальные агенты, n8n, Tbox и Weknora.

Возможности LangTARS и OpenClaw-подобные функции продолжают улучшаться

LangTARS описывается как модульный слой возможностей. LangBot выступает в качестве единой основы, которая безопасно предоставляет локальным или сторонним агентам доступ к моделям, инструментам, базам знаний и истории диалогов.

Это позволяет агенту сосредоточиться на бизнес-логике: понимать намерения пользователя, вызывать инструменты, извлекать знания и структурировать ответы. Агенту не нужно беспокоиться о низкоуровневых деталях подключения.

В статье также упоминается, что эти возможности могут поддерживать как работу в изолированной среде, так и сценарии управления персональным компьютером.

Обновления агента на SaaS-платформе

SaaS-платформа также получила обновления агента. Автор не вдается здесь в подробности, но отмечает, что пользователи SaaS уже столкнулись с этими изменениями, тогда как сообщество open-source может получить некоторые функции на несколько версий позже.

Маршрутизация обратных вызовов корпоративных моделей

LangBot добавил маршрутизацию обратных вызовов моделей корпоративного уровня. Когда вызов модели завершается сбоем, сообщение может быть перенаправлено обратно на заранее настроенную резервную модель.

Ценность этого решения заключается в том, что оно помогает преодолевать ограничения, связанные с API-ключами и поставщиками моделей. Для корпоративных систем это может повысить надежность, когда один провайдер выходит из строя или достигает лимита.

LangBot поддерживает более 30 IM-платформ напрямую или косвенно

LangBot уже достиг широкой совместимости с платформами мгновенного обмена сообщениями. В оригинальной статье говорится, что LangBot напрямую или косвенно поддерживает более 30 IM-платформ.

Для фреймворков ботов покрытие IM имеет большое значение. Бизнесу может понадобиться одна система ботов, способная работать на WeChat, QQ, Lark, DingTalk, Telegram, Discord, Slack, LINE и других платформах. Единый фреймворк ботов может сократить дублирующуюся работу по интеграции.

Маршрутизация пайплайнов: маршрутизация диалогов в стиле Workflow

В статье также упоминается маршрутизация пайплайнов, которая в некоторой степени работает как Workflow.

С этой функцией LangBot может направлять диалоги в разные пайплайны на основе бизнес-ключевых слов или других условий. Разные пайплайны могут использовать разные промпты, расширения и базы данных. Они также могут быть вложенными.

Оригинальный автор добавляет важное примечание: после выхода обновления визуального Workflow эта функция маршрутизации пайплайнов может быть удалена или заменена, поскольку визуальная оркестрация workflow будет более стабильной и удобной в использовании.

Настройка через QR-код

Для некоторых поддерживаемых открытых платформ LangBot может использовать настройку на основе QR-кода. Это упрощает настройку открытой платформы без необходимости вручную вводить каждую деталь.

Предварительный обзор будущих обновлений

Некоторые будущие функции уже находились в разработке на момент написания исходной статьи. Автор отмечает, что часть содержимого была настолько новой, что к тому времени даже официальный сайт ещё не был обновлён.

Визуальная оркестрация рабочих процессов уже разработана

Функция визуальной оркестрации рабочих процессов уже завершила этап разработки, и сроки объединения были определены.

Это одно из наиболее важных будущих изменений, поскольку оно может упростить создание и поддержку сложной логики через WebUI.

Интеграция других возможностей агентов в стиле CLI

В статье также упоминается, что проект, связанный с cc, привлёк некоторое внимание, поэтому команда решила добавить поддержку других возможностей в стиле CLI, аналогичных Claude Code и Codex.

Это направление соответствует более широкой тенденции, при которой ИИ-агенты работают более напрямую со средами разработки, инструментами командной строки и локальными проектами.

Скоро появится больше функций

Автор оставляет оставшиеся будущие функции в качестве тизера. Основной посыл ясен: текущее обновление LangBot — не конечная точка, и в дорожной карте по-прежнему запланированы дополнительные улучшения, связанные с Agent и Workflow.

Примечание о непроверенных сравнениях

В оригинальной статье также даётся ответ на другую статью, которая, по словам автора, не проверила достаточно деталей перед тем, как делать сравнения.

На скриншоте говорится, что и LangBot, и AstrBot стремятся к созданию полезных экосистем ИИ-ботов, но делают акцент на разных направлениях. LangBot больше сосредоточен на быстром подключении ИИ-приложений к экосистемам чатов, тогда как AstrBot в большей степени ориентирован на то, чтобы сделать самого бота расширяемой интеллектуальной платформой.

Практический вывод прост: сравнения должны основываться на проверенных функциях, сценариях использования и потребностях развёртывания. Фреймворк может казаться «меньше» только в том случае, если при сравнении игнорируются системы плагинов, разделение среды выполнения, интеграции с платформами или функции маршрутизации для корпоративной среды.

Мы все похожи

Автор кратко добавляет мысль для размышления: проекты в одной и той же экосистеме часто выглядят похожими, потому что они отвечают на схожие потребности пользователей.

Все фреймворки для ИИ-ботов стремятся связать модели, инструменты, базы знаний, платформы обмена сообщениями и пользовательские рабочие процессы. Сходство не обязательно является проблемой. Настоящая разница заключается в архитектуре, модели расширения, дизайне развертывания и в том, насколько быстро команда может поддерживать реальные сценарии использования.

У всех разные ситуации

Разные команды создают продукты в разных условиях и с разными ограничениями. Одни сосредоточены на удобстве локального использования. Другие — на богатстве плагинов. Третьи — на корпоративном развертывании. Четвёртые — на охвате чат-платформ.

Именно поэтому при серьёзном сравнении не стоит спрашивать только: «У какого из них больше функций?» Следует также спросить: какой фреймворк подходит для сценария развертывания, размера команды, требований платформы, возможностей сопровождения и долгосрочного плана расширения?

Тест очереди при высокой конкуррентной нагрузке

В конце оригинальной статьи автор добавляет данные, связанные с производительностью. Для фреймворка высокая конкурентная нагрузка и обработка множества сессий являются важными показателями.

Метод тестирования заключался в том, чтобы принудительно накопить необработанные сессии примерно до 50–70, затем постепенно снижать скорость и наблюдать TPS, когда система достигала баланса нагрузки.

Автор отмечает, что во время теста существовала очередь сессий, поэтому он отражает среду с высокой степенью параллелизма и не полностью совпадает с обычным производственным трафиком. Однако он всё же даёт полезное представление о производительности фреймворка под нагрузкой.

Условия тестирования, описанные в исходной статье:

Отечественные фреймворки A/B

Следующие диаграммы взяты из теста A/B отечественного фреймворка, показанного в оригинальной статье.

Согласно интерпретации графика оригинальным автором, TPS составляет около 240 ответов в час.

LangBot

Следующие диаграммы взяты из теста LangBot, показанного в оригинальной статье.

Согласно интерпретации графика оригинальным автором, в этом тесте LangBot достигает примерно 1260 ответов в час.

Автор также отмечает, что это всё же может быть в некоторой степени несправедливо по отношению к LangBot, потому что LangBot изначально запускается с ещё одним компонентом Runtime. Даже с этим дополнительным компонентом результат в показанном тесте всё равно остаётся значительно выше.

Предупреждение по интерпретации производительности

Эти графики полезны, но их не следует рассматривать как универсальный эталон производительности в рабочей среде. Автор использовал Raspberry Pi 5 и конкретный метод тестирования, поэтому абсолютные значения могут отличаться на другом оборудовании, с другими API, при другой задержке модели и в других топологиях развертывания.

Более полезным сигналом является относительное соотношение TPS при одинаковой тестовой конфигурации. Оригинальный автор также говорит, что связанное с этим тестовое программное обеспечение может быть позже опубликовано с открытым исходным кодом.

Часто задаваемые вопросы

Что такое LangBot?

LangBot — это платформа с открытым исходным кодом промышленного уровня для создания ботов мгновенных сообщений на базе ИИ. Она соединяет большие языковые модели и платформы ИИ-приложений с чат-платформами, такими как Discord, Telegram, Slack, WeChat, QQ, Lark, DingTalk и другими.

Что изменилось в LangBot v4.10.x?

Самое важное обновление — это появление Sandbox и Skills. Sandbox предоставляет Агенту изолированное рабочее пространство для выполнения команд и операций с файлами, а Skills позволяют Агенту загружать специализированные инструкции только тогда, когда это необходимо.

Что такое LangBot Box Runtime?

Box Runtime — это изолированная среда выполнения LangBot. Она может предоставлять такие инструменты, как exec, read, write, edit, glob и grep, при этом сохраняя выполнение изолированным от хост-среды.

Как включить песочницу LangBot в Docker?

Для развертывания в Docker в исходной статье используется команда docker compose --profile all up для запуска полного профиля. Чтобы отключить песочницу, установите box.enabled: false в конфигурации.

Для чего используются LangBot Skills?

Навыки — это пакеты инструкций по запросу для Агента. Они могут включать промпты, процедуры, скрипты и справочные файлы, позволяя Агенту использовать специализированные знания без загрузки всего в контекст с самого начала.

LangBot лучше, чем AstrBot?

Ответ зависит от сценария использования. LangBot делает сильный акцент на подключении ИИ-приложений к экосистемам чатов, корпоративной маршрутизации, изоляции среды выполнения плагинов, RAG, MCP и развертывании IM на нескольких платформах. AstrBot также обладает мощными возможностями в области Agent и фреймворка для ботов, поэтому правильный выбор зависит от сценария развертывания и приоритетов по функциям.

Являются ли показатели TPS в этой статье производственными бенчмарками?

Нет. В исходном тесте использовалась конкретная конфигурация Raspberry Pi 5 и контролируемый сценарий с накопленной очередью. Эти показатели полезны в качестве ориентира, но производительность в рабочей среде будет зависеть от оборудования, задержки API, способа развертывания, нагрузки по сессиям и конфигурации.

Можно ли использовать LangBot для корпоративных ботов?

Да, LangBot разработан для продакшена и корпоративных сценариев, особенно там, где командам нужна поддержка IM на нескольких платформах, интеграция с базой знаний, маршрутизация моделей, мониторинг и расширяемые возможности плагинов.

Связанные инструменты

• LangBot: Платформа с открытым исходным кодом для создания ботов мгновенного обмена сообщениями на базе ИИ.

• Документация LangBot: Официальная документация по развертыванию, настройке ботов, моделям, конвейерам, плагинам, песочнице и навыкам.

• SDK плагинов LangBot: Официальный SDK плагинов, CLI, Plugin Runtime и инфраструктура Box Runtime для LangBot.

• Облако LangBot: Управляемый сервис LangBot для пользователей, которые не хотят самостоятельно размещать систему.

• AstrBot: Фреймворк помощника AI Agent и чат-бота с открытым исходным кодом, используемый здесь в качестве эталона для сравнения.

• Docker: Контейнерная платформа, используемая развертываниями LangBot и серверной частью песочницы.

• Dify: Платформа для разработки приложений на базе LLM, к которой может подключаться LangBot.

• n8n: Платформа автоматизации рабочих процессов, которую можно подключить к LangBot для запуска рабочих процессов через чат.

Связанные ссылки

• Оригинальная статья CSDN: Исходная статья, адаптированная в эту английскую версию в формате Markdown.

• Блог о выпуске LangBot v4.10.0 Sandbox and Skills: Официальная статья LangBot с объяснением Sandbox и Skills.

• Репозиторий LangBot на GitHub: Основной репозиторий LangBot с открытым исходным кодом.

• Релизы LangBot: Официальная история выпусков версий LangBot.

• Официальная документация LangBot: Точка входа в документацию по использованию, развертыванию и настройке LangBot.

• Документация по Skills в LangBot: Официальная документация по установке и использованию Skills.

• Репозиторий LangBot Plugin SDK: Официальный SDK и репозиторий среды выполнения для плагинов LangBot и инфраструктуры песочницы.

• Репозиторий AstrBot на GitHub: Официальный репозиторий AstrBot для читателей, которые хотят сравнить направления развития фреймворков.