Waarom een hele programmeertaal maken voor neurale netwerk-orchestratie
Wanneer je probeert een complex LLM-gebaseerd systeem te bouwen met Python of TypeScript, raakt de code snel bedolven onder infrastructuur-boilerplate. Je moet handmatig message queues opzetten, retry-logica schrijven, tussenresultaten naar een database persisteren en workarounds bedenken voor het wachten op gebruikersreacties. Algemene programmeertalen weten niets over de specifieke aspecten van het aanroepen van taalmodellen of de noodzaak om een proces enkele dagen te pauzeren.
Ontwikkelaars bij WeaveMind hebben besloten het probleem radicaal aan te pakken. In plaats van nog een bibliotheek bouwen ze Weft — een volwaardige programmeertaal waarin LLMs, externe API's, databases en menselijke betrokkenheid eersteklas elementen van de taal zijn.
Waarom een nieuwe taal nodig is
De kerngedachte achter Weft is het vrijwaren van engineers van het schrijven van service-scaffolding. Verbindingen tussen modellen, databases en logica worden door de compiler gevalideerd voordat het programma überhaupt draait.
Het project wordt momenteel actief herschreven om aan te sluiten bij het MVP-concept, en de officiële release is gepland voor augustus 2026. Desondanks is de broncode open en kun je de voorgestelde aanpak nu al verkennen.
Belangrijkste architectuurkenmerken
Human in the loop zonder extra services
Als de bedrijfslogica goedkeuring van een manager of gegevensinvoer door een operator vereist, stopt het proces bij de relevante instructie. Er is geen noodzaak om een database voor statussen op te zetten, webhooks te configureren of API's op een timer te pollen. Een programma dat drie seconden wacht op een gebruikersklik wordt exact hetzelfde geschreven als een scenario met een wachttijd van drie dagen.
Twee vormen van representatie
Weft-code is tegelijkertijd een tekstgebaseerd scenario en een visuele graaf. Dit is niet slechts een grafische schil over een configuratiebestand. Het wijzigen van een node in het diagram wijzigt de brontekst, en omgekeerd. Engineers kunnen met tekst werken terwijl analisten een duidelijk procesdiagram bekijken.
Betrouwbare executie via Restate
Onder de motorkap wordt de Restate-engine gebruikt. Als de server een fout genereert, herstart of de netwerkverbinding verliest tijdens een LLM-aanroep, wordt de executie hervat vanaf het faalpunt zonder de opgebouwde context te verliezen.
End-to-end typing
De compiler controleert datatypes over de gehele keten. Als één node een object met een specifieke structuur uitvoert en de volgende een gewone string verwacht, markeert de builder onmiddellijk de fout. Dit helpt om typefouten in JSON-velden op te vangen tijdens het schrijven van de code.
Hoe een Weft-scenario eruitziet
De taalsyntaxis is declaratief en gericht op het koppelen van blokken:
topic = Text {
label: "Topic"
value: "the silence between stars"
}
llm_config = LlmConfig {
label: "Config"
model: "anthropic/claude-sonnet-4.6"
systemPrompt: "Write a short, beautiful poem (4-6 lines) about the given topic."
temperature: "0.8"
}
poet = LlmInference -> (response: String) {
label: "Poet"
}
poet.prompt = topic.value
poet.config = llm_config.config
output = Debug { label: "Poem" }
output.data = poet.response
In dit kleine voorbeeld worden vier nodes gedeclareerd: tekst, modelconfiguratie, de LLM-inferentie zelf en debug-output. Verbindingen tussen hen worden tot stand gebracht door expliciet velden door te geven.
Wat er onder de motorkap zit
De compiler core, orchestrator en executor zijn geschreven in Rust. De dashboard webinterface is gebouwd met SvelteKit (Svelte 5).
Alle beschikbare blocks leven in de catalog/ directory. Elk nieuw block wordt beschreven door twee bestanden in een aparte map:
backend.rsdefinieert de server-side logica in Rustfrontend.tsspecificeert de node-rendering, poorten en configuratievelden in de UI
Een speciaal script koppelt ze automatisch aan het dashboard en de runtime. Het toevoegen van custom nodes blijkt vrij eenvoudig te zijn.
De huidige directory bevat al blocks voor het werken met LLMs, het uitvoeren van Python-code, het verzenden van berichten naar Telegram, Discord, Slack en WhatsApp, het werken met Postgres en websearch.
Huidige status en licentie
Het project bevindt zich in een vroeg ontwikkelingsstadium. De auteurs geven in de README openlijk aan dat de architectuur nog vormt, dus breaking changes zijn mogelijk.
Weft wordt gedistribueerd onder de O'Saasy-licentie (een gemodificeerde MIT). Het staat gratis gebruik, modificatie en self-hosting toe, maar verbiedt het uitvoeren van een betaalde commerciële service gebaseerd op deze code die concurreert met de auteurs.
Voor wie is dit project interessant
Weft is interessant als een poging om de aanpak voor neurale netwerk-agent-orchestratie te heroverwegen. Als je moe bent van het vechten met complexe call graphs in algemene programmeertalen en op zoek bent naar een tool met ingebouwde fouttolerantie, is de repository zeker het bookmarken waard.
Gerelateerde projecten