LangGraph

Einleitung

LangGraph ist ein Framework, mit dem Du agentenartige Workflows als Graphen modellieren kannst. Es ergänzt LangChain um Zustände, Entscheidungen und Schleifen. Wer komplexe Abläufe bauen will, bei denen ein Modell mehrere Schritte plant und ausführt, ist mit LangGraph gut beraten.

LangGraph - In A Nutshell

LangGraph baut einen gerichteten Graphen aus Knoten und Kanten. Jeder Knoten führt eine Aktion aus, zum Beispiel einen Aufruf an ein Sprachmodell oder ein Tool. Kanten entscheiden, welcher Knoten als Nächstes ausgeführt wird. Ein Zustand speichert Daten, die zwischen den Schritten weitergegeben werden.

Das macht LangGraph besonders für Agenten, die Entscheidungen treffen, Schleifen durchlaufen oder auf Fehler reagieren müssen.

Wichtige Begriffe und Komponenten

Begriff	Bedeutung
Graph	Zusammensetzung aus Knoten und Kanten
Node	Ein Schritt oder eine Aktion im Ablauf
Edge	Verbindung zwischen zwei Knoten
State	Geteilte Daten über den gesamten Ablauf
Conditional Edge	Entscheidungskante, die je nach Zustand verzweigt

Praxisrelevanz

Wann ist LangGraph sinnvoll?

LangGraph lohnt sich, sobald ein Agent mehrere Schritte und Entscheidungen braucht. Beispiele sind Recherche-Workflows, Code-Reviews mit mehreren Stufen oder Prozesse, die bei Fehlern zurückspringen. Einfache Frage-Antwort-Systeme brauchen LangGraph meist nicht.

Wie sieht ein einfacher Graph aus?

from langgraph.graph import StateGraph, END

# Einfacher State als Dictionary
graph = StateGraph(dict)

graph.add_node("agent", call_agent)
graph.add_node("tool", call_tool)

graph.set_entry_point("agent")
graph.add_conditional_edges(
    "agent",
    should_continue,
    {True: "tool", False: END}
)
graph.add_edge("tool", "agent")

app = graph.compile()

Der Graph startet beim Agenten. Wenn der Agent ein Tool aufrufen will, geht es zum Tool-Knoten. Anschließend kehrt es zurück zum Agenten. Wenn keine Aktion mehr nötig ist, endet der Graph.

Vorteile und Grenzen

LangGraph ist flexibel und eignet sich für zyklische und bedingte Abläufe. Es erfordert allerdings mehr Konfiguration als einfache Prompt-Chains. Wer kleine, lineare Aufgaben hat, kommt mit LangChain oder einfachen Python-Skripten schneller ans Ziel.

Hardware-, Kosten- und Sicherheitsbetrachtung

LangGraph selbst ist ein reines Python-Framework. Der Rechenbedarf kommt von den genutzten Modellen. Wer lokale Modelle über Ollama einbindet, bleibt datensicher und kostengünstig. Die Sicherheit hängt von den Tools ab, die der Agent nutzt.

Weitere KI Infos und Themen

• LangGraph modelliert Workflows als Graphen.
• Knoten führen Aktionen aus, Kanten entscheiden über den weiteren Verlauf.
• Conditional Edges ermöglichen Verzweigungen und Schleifen.
• Für lokale KI lässt sich LangGraph mit Ollama verbinden.

Mehr zu Agenten findest Du in Was ist ein KI-Agent? und Tool-Calling.

FAQ - Typische Fragen zu LangGraph

Brauche ich LangChain, um LangGraph zu nutzen?

LangGraph baut auf LangChain auf. Grundkenntnisse in LangChain helfen, sind aber nicht zwingend erforderlich.

Läuft LangGraph lokal?

Ja, solange Du lokale Modelle und Tools nutzt. LangGraph kommuniziert nicht zwingend mit Cloud-Diensten.

Für wen ist LangGraph nicht geeignet?

Für sehr einfache Workflows oder statische Prompt-Ausführungen ist LangGraph überdimensioniert. Einfache Skripte oder LangChain reichen dort.

Kann ich LangGraph mit Ollama verbinden?

Ja. Du nutzt Ollama über die LangChain-Integration und wählst das gewünschte Modell.

Tools und Weiterführendes

Für den Einstieg eignet sich die offizielle LangGraph-Dokumentation. Für Vergleiche mit anderen Frameworks siehe CrewAI und AutoGen.

Quellen

• LangGraph Dokumentation
• LangChain Ollama-Integration
• Ollama API