LangChain

LangChain ist ein Open-Source-Framework zum Entwickeln von Anwendungen und KI-Agenten auf Grundlage großer Sprachmodelle (LLMs). Es bietet allen Modellanbietern dieselbe Schnittstelle für Nachrichten, Chat-Modelle, Tools und Retriever. So kann eine Anwendung das Modell eines Anbieters gegen das eines anderen austauschen, indem sie einfach den Modellnamen ändert. Außerdem bietet LangChain vorgefertigte Agenten-Regelkreise und Hunderte von Integrationen mit Vektorspeichern, Dokumentladern und APIs. Harrison Chase veröffentlichte LangChain im Oktober 2022 als Open-Source-Python-Projekt, wenige Wochen vor dem Start von ChatGPT. Es entwickelte sich zu einem der meistgenutzten Toolkits, um Eingabeaufforderungen, Abruf und Modellaufrufe zu generativen KI-Anwendungen zu verbinden. LangChain 1.0 und LangGraph 1.0 erschienen gemeinsam am 22. Oktober 2025, verbunden mit der Zusage, bis Version 2.0 keine inkompatiblen Änderungen einzuführen.

Das LangChain-Ökosystem#

Der Name steht inzwischen für eine Reihe von Paketen, die für Python und JavaScript verfügbar sind:

• langchain: Das Agenten-Framework mit Fokus auf create_agent. Es nimmt ein Modell, eine Liste von Tools und eine Systemaufforderung entgegen und gibt einen funktionsfähigen Agenten zurück.
• langchain-core und Integrationen: Einheitliche Schnittstellen für Chat-Modelle, Nachrichten, Einbettungen, Retriever und Tools sowie Anbieterpakete wie langchain-openai und langchain-anthropic, die diese Schnittstellen implementieren.
• LangGraph: Die Laufzeitumgebung auf niedrigerer Ebene, auf der LangChain-Agenten ausgeführt werden. Sie bildet ein Programm als Graph aus Schritten über einen gemeinsam genutzten Zustand ab und kann diesen nach jedem Schritt sichern. So überstehen lang laufende Aufgaben Neustarts und können für die Genehmigung durch einen Menschen angehalten werden.
• LangSmith: Eine gehostete Plattform für Traces zur Beobachtbarkeit, Agentenbewertung anhand von Datensätzen und die Bereitstellung von Agenten.

Klassische LangChain-Anwendungen bestanden aus Ketten: einer mit der Nutzereingabe ausgefüllten Eingabeaufforderungsvorlage, einem Modellaufruf und einem Ausgabeparser, die mit einer Pipe-Syntax wie beim Verketten von Eingabeaufforderungen verbunden wurden. Die verbreitetste Kette ist die Abruf-gestützte Generierung (RAG). Sie lädt Dokumente, unterteilt sie in Abschnitte, speichert deren Einbettungen in einer Vektordatenbank und fügt dem Kontextfenster des Modells die Abschnitte hinzu, die am besten zu einer Frage passen.

So läuft ein LangChain-Agent ab#

Ein mit create_agent erstellter Agent wiederholt eine Schleife aus Modell- und Tool-Aufrufen – dieselbe Schleife für Funktionsaufrufe, die jede Agentenlaufzeit ausführt. Middleware greift in jeden Schritt ein und verändert die Abläufe rund um das Modell: Die integrierte Middleware fasst lange Gesprächsverläufe zusammen, schwärzt personenbezogene Daten und hält den Ablauf an, damit ein Mensch die Ausführung ausgewählter Tools genehmigen kann.

Einem LangChain-Agenten Bildverarbeitung ermöglichen#

Der Decorator @tool von LangChain macht aus einer Python-Funktion ein Tool. Die Argumenttypen liest er aus der Signatur und die Beschreibung aus dem Docstring. Wird Ultralytics YOLO26 auf diese Weise eingebunden, erhält ein Agent Funktionen zur Objekterkennung. Results.summary() gibt jede Erkennung mit Klassenname, Konfidenz und Begrenzungsrahmen als für das Modell lesbare Daten zurück:

from langchain_core.tools import tool
from langchain_core.utils.function_calling import convert_to_openai_tool
from ultralytics import YOLO

model = YOLO("yolo26n.pt")


@tool
def detect_objects(image_url: str) -> list[dict]:
    """Detect objects in an image and return each one's class name, confidence, and box."""
    results = model(image_url)
    return results[0].summary()


# Das Schema, das LangChain aus Signatur und Docstring ableitet und dem Modell übermittelt
print(convert_to_openai_tool(detect_objects))

# Ein Agent führt das Tool mit den Argumenten aus dem Tool-Aufruf des Modells aus
detections = detect_objects.invoke({"image_url": "https://ultralytics.com/images/bus.jpg"})
print(detections[0]["name"], detections[0]["confidence"])

Die erste Ausgabe zeigt die Funktionsdefinition mit einem Zeichenfolgenparameter image_url und dem Docstring als Beschreibung, die LangChain an das Modell sendet. Die zweite Ausgabe zeigt die erste vom Tool zurückgegebene Erkennung. Mit tools=[detect_objects] in create_agent kann jedes unterstützte Chat-Modell den Detektor über den Vorhersagemodus aufrufen.

LangChain im Vergleich zu verwandten Tools#

• Agentische Arbeitsabläufe: Allgemeine Entwurfsmuster wie Weiterleitung, Tool-Nutzung und Evaluator-Schleifen, die LangGraph-Graphen und LangChain-Agenten umsetzen.
• Anbieter-SDKs: Für direkte API-Aufrufe an den Anbieter eines Modells ist kein Framework erforderlich; diese eignen sich für Anwendungen mit nur einem Modell. LangChain bietet einheitliche Schnittstellen, Integrationen und Agenten-Schleifen, die nützlich werden, sobald eine Anwendung mehrere Modelle, Tools oder Datenquellen umfasst.
• DSPy: Ein Framework, das die Eingabeaufforderungen eines mehrstufigen LLM-Programms automatisch verfasst und optimiert, indem es sie anhand einer Metrik mit Beispieldaten abstimmt.
• LlamaIndex: Ein Framework für das Einlesen, Indizieren und Abfragen privater Daten für RAG. Die Einsatzbereiche überschneiden sich. Häufig verwenden Anwendungen LlamaIndex für den Abruf innerhalb eines LangChain- oder LangGraph-Agenten.