Was sind LangChain und LangGraph?

LangChain und LangGraph sind Open-Source-Frameworks für Python (auch mit JavaScript-Support) zum Bau von Anwendungen auf großen Sprachmodellen: vom einfachen RAG bis zu KI-Agenten mit Tools, Speicher und verzweigten Abläufen. LangChain liefert Bausteine (Modelle, Prompts, Chains, Retriever); LangGraph ist ein Zustandsgraph für komplexe Agentenflüsse mit Kontrolle, Schleifen und menschlicher Freigabe. Unten - worin sie sich unterscheiden, wann welches passt und worauf Unternehmen achten sollten.

• LangChain - Komponentenbibliothek: LLM, Prompts, Chains, Embeddings, Vektorsuche, Tools
• LangGraph - Orchestrierung über einen Knotengrafen: State, Zweige, Schleifen, Retry, Human-in-the-Loop
• Chain - festes Pipeline «Eingabe → Schritte → Antwort»
• Agent - das Modell entscheidet, welches Tool es aufruft und wann es stoppt
• Kein Ersatz für das Modell - das Framework macht GPT/Claude nicht «schlauer»; es verbindet APIs, Daten und Logik
• Praxis - einfaches RAG/FAQ reicht oft mit LangChain; komplexe Support-Routen und Multi-Agenten sind LangGraph-Terrain

Was LangChain in einfachen Worten ist

Ein Modell-API-Aufruf ist «fragen → antworten». Ein echtes Produkt ist breiter: Dokumente aus der Wissensbasis holen, CRM anbinden, Bestellung prüfen, Historie speichern, Tokens zählen und verhindern, dass das Modell halluziniert.

LangChain ist ein Satz von Abstraktionen über Anbieter (OpenAI, Anthropic, Gemini, lokale LLMs u. a.), damit Sie denselben Glue-Code nicht von Hand neu schreiben:

Typischer Ablauf mit LangChain: Nutzer fragt → Retriever findet Doku-Schnipsel → Prompt verbindet Frage + Kontext → Modell antwortet mit Quellen. Das ist klassisches RAG - und für viele Business-Fälle genug.

Was LangGraph ist und wie es LangChain ergänzt

LangGraph ist eine Bibliothek aus demselben LangChain-Ökosystem zum Bau von Agenten-Anwendungen als Graph: Knoten führen Schritte aus, Kanten definieren Übergänge, ein gemeinsamer State wird unterwegs aktualisiert.

Warum ein Graph, wenn es schon Chains gibt:

1. Verzweigung - bei niedriger Konfidenz → Eskalation an einen Menschen; bei Retourenanfrage → anderer Pfad.
2. Schleifen - der Agent ruft ein Tool auf, liest das Ergebnis, denkt erneut, ruft wieder.
3. Kontrolle - klare Stopps, Retry, Schritlimits; weniger «Black Box».
4. Multi-Agent - mehrere Rollen (Recherche, Redaktion, Moderation) reichen Ergebnisse weiter.
5. Human-in-the-Loop - bevor eine Kundenmail rausgeht oder Geld abgebucht wird, wartet das System auf den Operator.

Kurz: LangChain = Bauklötze, LangGraph = Montageplan für die komplexe Maschine. Oft zusammen: Graph-Knoten rufen Modelle, Retriever und Tools aus dem LangChain-Ökosystem auf.

LangChain vs LangGraph: wann welches wählen

Praxisregel: starten Sie mit der einfachsten Pipeline. Sieht die Logik schon wie ein Flussdiagramm mit Bedingungen und Schleifen aus - wechseln Sie zum Graphen, statt «If-Ketten in einer Datei» zu stapeln.

Wie ein typischer Stack aussieht

Minimales Arbeitsset fürs Business:

• Modell - GPT / Claude / Gemini oder lokal via Ollama;
• LangChain - Prompts, Retriever, Tools;
• Vektorspeicher - für Embeddings und Wissenssuche;
• LangGraph (bei Bedarf) - Orchestrierung von Agent und Zweigen;
• Observability - Schritt-Logs, Latenz, Token-Kosten, Error-Tracing;
• Integrationen - CRM, Helpdesk, Telegram-Bot, interne DB.

Wichtig: das Framework ersetzt keine sauberen Daten und kein Produkt. Schwache Wissensbasis + starkes LangGraph liefert trotzdem schwache Antworten. Schätzungen zu RAG-System-Kosten und einem KI-Agenten schlüsselfertig stoßen fast immer an Daten, Integrationen und Qualitätskontrolle - nicht nur an die Bibliothek.

Vor- und Nachteile für ein Projekt

Vorteile:

• schnelle Python-Prototypen;
• fertige Integrationen zu gängigen LLMs und Vektor-DBs;
• ein Code-Stil für Prompts, Tools und RAG;
• LangGraph macht das Agenten-Schema explizit - leichter erklärt und debuggt;
• reifes Ökosystem mit vielen Beispielen und Docs.

Nachteile und Risiken:

• Abstraction Tax: Einsteiger ertrinken in Schichten, obwohl 50 Zeilen Direkt-API reichen würden;
• APIs im Ökosystem ändern sich - Versionen pinnen und Breaking Changes beachten;
• Agenten mit Schleifen treiben Token-Kosten ohne Limits hoch;
• ohne Tests und Evals degradiert das Produkt leise;
• nicht jeder Business-Fall braucht einen Agenten - oft genügt ein deterministisches Skript + LLM in einem Schritt.

Wann das Business das braucht - und wann es zu früh ist

Es lohnt sich, wenn Sie:

• RAG, Assistenten oder Agenten auf eigenen Daten und APIs bauen;
• das Team schon Python/JS schreibt und ein Standard-Gerüst statt Ad-hoc-Skripten will;
• Zweige, Menschenfreigabe und Mehrschritt-Szenarien brauchen (LangGraph);
• das Produkt monatelang begleiten wollen - explizite Architektur zahlt sich aus.

Aufschieben, wenn:

• die Aufgabe mit ein bis zwei API-Aufrufen und gutem Prompt erledigt ist;
• keine stabile Wissensbasis und Integrationen da sind - das Framework rettet keine leeren Daten;
• das Team Basis-LLM-Aufrufe und Embeddings noch nicht beherrscht;
• nur ein No-Code-Chatbot ohne Custom-Logik nötig ist.

Fazit

LangChain ist eine Art, LLM-Apps aus fertigen Blöcken zu bauen: Modelle, Prompts, RAG, Tools. LangGraph orchestriert komplexe Agentenlogik als Zustandsgraph mit Zweigen, Schleifen und Checkpoints. Für FAQ und Dokumentensuche reicht oft LangChain; für Support-Agenten, Mehrschrittprozesse und Human-in-the-Loop den Fluss von Anfang an mit LangGraph planen. Die Bibliothek ist sekundär gegenüber Datenqualität, Metriken und Token-Budget - aber das richtige Gerüst spart Monate chaotischen Codes.

Häufig gestellte Fragen

Sind LangChain und LangGraph getrennte Produkte oder dasselbe?

Es ist ein verbundenes Ökosystem: LangChain liefert Komponenten, LangGraph orchestriert komplexe Flows. Man kann sie getrennt nutzen, praktisch rufen Graph-Knoten oft Modelle und Tools aus LangChain auf. Denken Sie «Bausteine + Bauplan», nicht streng «entweder-oder», wenn das Szenario komplexer wird.

Brauche ich LangGraph für gewöhnliches RAG?

Nicht zwingend. Klassisches RAG (Frage → Suche → Antwort) läuft gut mit LangChain oder sogar direkten API-Aufrufen + Vektor-DB. LangGraph hilft, wenn auf RAG Zweige, Rückfragen, mehrere Agenten, Prüitschleifen oder Pflicht-Freigabe durch Menschen kommen.

Worin unterscheidet sich ein LangGraph-Agent von «einfach ChatGPT aufrufen»?

Ein ChatGPT-Aufruf ist eine Modellantwort in einem Kontextfenster. Ein LangGraph-Agent kann Tools mehrfach rufen, State aktualisieren, nach Bedingungen verzweigen und auf den Operator warten. Das ist näher an einer Workflow-Engine mit LLM innen als an einem normalen Chat.

Besser Python oder JavaScript?

Für Backend, Data-Pipelines und die meisten Beispiele im Ökosystem nimmt man meist Python. JavaScript/TypeScript passt, wenn der Agent neben dem Node-Stack der Website lebt. Funktional ähnlich; wählen Sie die Sprache des Teams und des Dienstes, in den Sie das LLM einbetten.

Was kostet die Einführung von LangChain / LangGraph?

Das Framework ist Open Source - Sie zahlen für Modell-APIs, Infrastruktur (Vektor-DB, Hosting) und Entwicklung/Betrieb. Ein RAG-Prototyp kann in Tagen und mit bescheidenem Token-Budget stehen; ein Produktions-Agent mit CRM, Monitoring und Evals ist ein Wochenprojekt mit spürbarem Agenten-Budget. Der größte versteckte Kostenfaktor: unbegrenzte Agenten-Schleifen und aufgeblähter Kontext.