LangGraph

LangGraph

LangGraph ist das Framework von LangChain, um KI-Agenten als Graph zu bauen. Du modellierst den Ablauf selbst: Knoten sind Schritte, Kanten bestimmen, was wann passiert, inklusive Schleifen und Verzweigungen. Dazu ein Zustand, der über alle Schritte hinweg gehalten wird. Heißt: volle Kontrolle über den Flow, statt dich auf eine vorgegebene Mechanik zu verlassen. Dafür schreibst du Code.

Was es kann

• Agenten als Graph aus Schritten bauen, deren Ablauf du selbst festlegst, mit Loops und Branching statt einem starren linearen Durchlauf.
• Zustand über alle Schritte und Sessions hinweg führen, sodass der Agent weiß, was vorher passiert ist, und mehrstufige Abläufe zusammenhängen.
• Human-in-the-Loop einbauen: Kontrollpunkte, an denen ein Mensch prüft oder freigibt, bevor der Agent an heiklen Stellen weiterläuft.

Wann's was bringt, und wann nicht

Stark, wenn du echte Kontrolle über den Agenten-Flow brauchst. Verzweigungen, Schleifen, Schritte die abhängig vom Zustand andere Wege nehmen. Das alles modellierst du explizit als Graph, statt zu hoffen, dass eine fertige Abstraktion das Richtige tut. Genau dafür ist LangGraph gebaut.

Der Preis dafür ist Komplexität. Du musst in Graphen denken: Knoten, Kanten, Zustandsübergänge. Das ist eine Lernkurve, und für eine simple Aufgabe ist es deutlich zu viel. Willst du nur einmal ein Modell mit einem Prompt aufrufen, nimm LangChain pur oder noch direkter den API-Call. Sollen mehrere Agenten mit Rollen zusammenarbeiten, ohne dass du jeden Schritt von Hand verdrahtest, ist CrewAI der schnellere Weg. Und geht's dir vor allem um RAG und deine eigenen Daten, ist LlamaIndex dafür spezialisierter. LangGraph ist für Entwickler, die die Kontrolle wirklich wollen und bereit sind, die Komplexität dafür zu tragen.

Alternativen

• CrewAI — wenn mehrere Rollen-Agenten zusammenarbeiten sollen, einfacher und ohne jeden Schritt selbst zu verdrahten.
• LlamaIndex — wenn RAG und das Anbinden eigener Daten im Mittelpunkt stehen.
• LangChain — wenn eine lineare Kette aus Prompt und Modell reicht, ohne zustandsbehafteten Graphen.

Beispiel-Workflow

LangGraph sitzt im Maschinenraum deines Agenten, drumherum greifen andere Tools:

1. Die Bausteine fürs Modell- und Tool-Anbinden holst du aus LangChain, LangGraph verdrahtet sie zum Graphen mit Zustand, Loops und Branching.
2. An kritischen Knoten baust du einen Kontrollpunkt ein, an dem ein Mensch freigibt, bevor der Agent etwas Unumkehrbares auslöst.
3. Den fertigen Agenten hängst du übers Vercel AI SDK an dein Frontend, damit Nutzer im Browser mit ihm reden.

Pricing

Das Framework selbst ist MIT-lizenziert, quelloffen und gratis. Du installierst es, schreibst deinen Agenten, fertig, ohne Kosten. Davon getrennt gibt's die gehostete Plattform (LangGraph Platform, abgerechnet über LangSmith): Developer-Tier kostenlos mit Trace-Kontingent, Plus ab 39 $ pro Seat im Monat, darüber Enterprise mit Custom-Pricing. Ein eigenes Studi-Programm bewirbt die Website nicht, es gibt aber Credits für VC-finanzierte Startups. Fürs Lernen und Bauen heißt das: Open-Source reicht voll, die Plattform brauchst du erst, wenn du wirklich hostest und betreibst.

Passt zu dir, wenn du mit Programmiererfahrung einen mehrschrittigen Agenten baust und die volle Kontrolle über seinen Ablauf willst.