LangChain

Open-Source-Framework von Harrison Chase, das die Entwicklung von LLM-Anwendungen durch modulare Bausteine für Prompts, Chains, Agents, Memory und Tool-Anbindung standardisiert und seit 2022 zum De-facto-Toolkit für viele Python- und TypeScript-Projekte wurde.

Definition

LangChain ist ein Open-Source-Framework für die Entwicklung von Anwendungen auf Basis von Large Language Models. Es bündelt wiederverwendbare Bausteine für Prompt-Engineering, Chains (Pipeline-Komposition), Retrieval, Agents, Memory und Tool-Anbindung. Initiator ist Harrison Chase, der das Projekt im Oktober 2022 als Python-Bibliothek startete. Eine TypeScript-Variante existiert ebenfalls.

LangChain ist 2022 bis 2024 zu einer der meistgenutzten LLM-Bibliotheken aufgestiegen und hat eine grosse Community sowie ein breites Ökosystem an Integrationen aufgebaut. Die kommerzielle Firma LangChain Inc. wurde Anfang 2023 gegründet und bietet zusätzlich Hosted-Produkte wie LangSmith (Observability) und LangServe (Deployment) an.

Architektur und Komponenten

LangChain ist ab Version 0.2 in mehrere Pakete aufgeteilt:

langchain-core: Basis-Abstraktionen wie Runnable, Prompt, Message, Document.
langchain: High-Level-Komponenten wie Chains, Agents und Retrieval.
langchain-community: Integrationen zu Drittanbietern (Vektor-DBs, Tools, Loader).
Provider-Pakete: langchain-openai, langchain-anthropic, langchain-google-genai und weitere als separate Module.
LangGraph: Eigenes Paket für zustandsbasierte Agent-Workflows.

Im Kern stehen folgende Bausteine:

Prompt-Templates: parametrisierbare Prompts mit Variableninterpolation, Few-Shot-Beispielen und strukturierten Output-Schemata.
Chains: Verkettung von Schritten, klassischerweise als LCEL (LangChain Expression Language) ausgedrückt.
Retrieval: Embedding-Erzeugung, Vector-Store-Anbindung, Hybrid-Search, Re-Ranking.
Memory: Konversations-Memory, Summary-Memory, Vector-Memory.
Agents: Klassische ReAct-Loops, Tool-Calling-Agents, später ersetzt durch LangGraph-Workflows.
Tools: Definitionen externer Funktionen mit Schema-Validierung.
Callbacks und Tracing: Hooks für Logging, Observability und Streaming.

LCEL macht Pipelines komponierbar via Pipe-Operator und unterstützt synchrone, asynchrone, Batch- und Streaming-Modi aus derselben Definition.

Praxis und Anwendung

Typische Anwendungsfelder:

RAG-Systeme: Anbindung von Vektor-Stores wie Pinecone, Weaviate, Chroma, pgvector oder Qdrant. LangChain orchestriert Embedding, Retrieval, Re-Ranking und Antwortgenerierung.
Chatbots mit Kontext: Konversations-Memory, Session-Persistenz, Antwortstrukturierung.
Datenextraktion: Strukturierte Ausgabe gemäss Pydantic- oder Zod-Schemata, robust gegen Schema-Drift.
Agentische Pipelines: ursprünglich via Agents, ab 2024 via LangGraph für komplexere Flows mit Schleifen, Verzweigungen und Mensch-im-Loop.
Multi-Modell-Workflows: Einsatz unterschiedlicher Modelle pro Schritt, etwa ein günstiges Modell zur Klassifikation und ein starkes Modell zur Generierung.
Auswertung und Tracing: LangSmith bietet Traces, Evaluationen und Vergleich von Prompt-Varianten.

In der Praxis wird LangChain oft als Startpunkt für Prototypen verwendet, und Teams entscheiden bei steigender Komplexität, ob sie auf LangGraph wechseln, eigene Wrapper schreiben oder spezialisierte Frameworks ergänzen.

Häufige Fehler

Übergrosse Chain-Verschachtelung: unübersichtliche Pipelines lassen sich später kaum debuggen.
Fehlendes Tracing: ohne LangSmith oder vergleichbare Tools bleiben Latenz- und Kostenursachen verborgen.
Naive Memory-Nutzung: unbeschränkte Konversations-Memory führt zu Kontext-Overflow und steigenden Kosten.
Ungeprüfte Tool-Outputs: Tool-Antworten landen ungefiltert im Prompt, was Prompt-Injection ermöglicht.
Versions-Lock-In ohne Tests: API-Breaks zwischen Minor-Versionen können Produktionssysteme brechen.
Mass-Use von Community-Integrationen: nicht alle Integrationen aus langchain-community sind gleichwertig gepflegt.

Abgrenzung

LangGraph: zustandsbasierte Workflows als Graph, empfohlen für Agents, kein Ersatz für Chains.
LlamaIndex: Daten-zentrische Sicht mit Fokus auf Indexierung und Retrieval.
DSPy: deklarative Programmierung von LLM-Pipelines mit automatischer Prompt-Optimierung.
Haystack: klassisches Search-zentriertes Framework mit starker Pipeline-Modellierung.
Anthropic Agent SDK: schlankerer, provider-spezifischer Agent-Stack.
MCP: Protokoll für Tool-Anbindung, kein Application-Framework.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist LangChain?+

LangChain ist ein Open-Source-Framework, das im Oktober 2022 von Harrison Chase initiiert wurde. Es bündelt modulare Bausteine für die Entwicklung von LLM-Anwendungen: Prompt-Templates, Chains, Retrieval-Pipelines, Agents, Memory-Module und Tool-Bindings. Das Framework existiert für Python und TypeScript und ist eine der meistgenutzten Bibliotheken im LLM-Ökosystem.

Wer steckt hinter LangChain?+

Initiator ist Harrison Chase, der das Projekt 2022 als Open-Source-Bibliothek startete und kurz darauf die kommerzielle Firma LangChain Inc. mit Sitz in San Francisco gründete. Das Unternehmen hat mehrere Finanzierungsrunden abgeschlossen und bietet zusätzlich Hosted-Services wie LangSmith für Observability und LangServe für Deployment an.

Wofür wird LangChain typischerweise verwendet?+

Häufige Use Cases sind Retrieval-Augmented-Generation (RAG) gegen Vektor-Datenbanken, Chatbots mit Memory, Q&A-Systeme über Dokument-Korpora, Agent-Pipelines mit Tool-Use, Datenextraktion aus unstrukturiertem Text und LLM-Workflows mit mehreren Modellen. Die modulare Architektur erlaubt es, einzelne Bausteine ohne Umbau auszutauschen.

Wie verhält sich LangChain zu LangGraph?+

LangGraph wurde 2024 vom selben Team als Ergänzung veröffentlicht. Während LangChain klassische Chains (lineare Pipelines) anbietet, modelliert LangGraph zustandsbasierte Workflows als Graph mit Knoten und Kanten. LangGraph ist die empfohlene Basis für komplexe agentische Systeme mit Verzweigungen, Schleifen und Human-in-the-Loop-Schritten.

Warum ist LangChain umstritten?+

Kritisiert werden eine grosse Abstraktionsfläche, häufige API-Breaks zwischen Versionen, unklare Performance bei komplexen Chains und ein hoher Konfigurationsaufwand für einfache Aufgaben. Die Reaktion war eine Aufspaltung in modulare Pakete (langchain-core, langchain-community, langchain-openai usw.) sowie eine fokussiertere Architektur in der 0.2- und 0.3-Linie.

Welche Alternativen gibt es zu LangChain?+

Alternativen sind LlamaIndex für Daten-zentrische RAG-Pipelines, Haystack von deepset für klassische Search-LLM-Kombinationen, DSPy von Stanford für deklarative Prompt-Optimierung, Semantic Kernel von Microsoft und das Anthropic Agent SDK. Viele Teams kombinieren auch direkt das OpenAI- oder Anthropic-SDK mit eigenen Wrappern.

Welche LLM-Provider unterstützt LangChain?+

LangChain bindet sämtliche grossen Provider an: OpenAI, Anthropic, Google (Gemini, Vertex), Mistral, Cohere, Meta (Llama via Ollama, Together, Replicate), Azure OpenAI und Bedrock. Über einheitliche Interfaces lassen sich Modelle ohne Code-Umbau wechseln. Zusätzlich werden Vektor-Stores, Embedding-Modelle und Tool-APIs in dreistelliger Zahl unterstützt.

Wie hat sich LangChain bis 2026 entwickelt?+

Nach der stark modularisierten 0.2- und 0.3-Serie erschien im Oktober 2025 LangChain 1.0 für Python und JavaScript. Der Fokus liegt auf LangGraph für Agents, LangSmith für Tracing und Evaluation sowie auf stabilen Kern-Abstraktionen. Die ursprüngliche Kritik an monolithischer Komplexität wurde mit der Aufspaltung weitgehend adressiert, das Framework bleibt aber breit und damit lernintensiv.

Quellen

LangChain Documentation (python.langchain.com)
Harrison Chase, LangChain GitHub Repository
LangChain Blog

Wikidata: Q117340550 · Zuletzt geprüft: 2026-07-02