LangGraph

Definition

LangGraph ist ein Open-Source-Framework für die Entwicklung zustandsbasierter Agent-Workflows. Es wurde 2024 vom LangChain-Team veröffentlicht und ergänzt das klassische LangChain um eine Graph-Abstraktion. Statt linearer Chains modelliert LangGraph komplexe Pipelines als gerichteten Graph mit Knoten und Kanten, persistentem State und expliziten Übergangsbedingungen.

Im Kern beantwortet LangGraph die Frage, wie agentische Systeme robust und nachvollziehbar gebaut werden, wenn klassische Pipelines an Verzweigungen, Schleifen und Mensch-in-Loop-Anforderungen scheitern. Das Framework wurde rasch zur Standardempfehlung für nicht-triviale Agenten innerhalb des LangChain-Ökosystems.

Architektur und Komponenten

Die Kernkonzepte von LangGraph:

• StateGraph: Ein Graph, dessen Knoten Funktionen und dessen Kanten Übergänge sind. Der State ist explizit deklariert.
• State: Typisiertes Objekt, das durch den Graph fliesst. Üblicherweise ein TypedDict oder Pydantic-Modell.
• Nodes: Funktionen, die State lesen und ein Update zurückgeben. Sie kapseln LLM-Calls, Tool-Aufrufe oder Routing-Entscheidungen.
• Edges: Übergänge zwischen Knoten. Bedingte Kanten ermöglichen Verzweigungen anhand des State.
• Reducers: Funktionen, die definieren, wie konkurrierende State-Updates kombiniert werden, etwa Append für Listen oder Merge für Dictionaries.
• Checkpointer: Persistenz des State in Postgres, Redis, SQLite oder Memory. Erlaubt Pausen, Resumes und Replay.
• Interrupts: Mechanismus zum Pausieren des Graph für Human-in-the-Loop, mit Wiederaufnahme nach User-Aktion.
• Subgraphs: Eingebettete Graphen, die als Knoten in einem übergeordneten Graph fungieren. Basis für Multi-Agent-Architekturen.

Ein typischer Loop für einen Tool-using Agent: Knoten "call model" entscheidet, ob ein Tool benötigt wird; bedingte Kante leitet entweder zu "call tool" oder zum Endknoten weiter; nach dem Tool-Aufruf wird der State aktualisiert und der Loop wiederholt.

Praxis und Anwendung

Typische Einsatzfelder:

• Agent-Loops: ReAct-, Plan-and-Execute- oder Reflexion-Patterns mit klar definierter Termination.
• Multi-Agent-Systeme: Supervisor-Pattern mit Routing-Knoten, Hierarchien aus Subgraphen, Konversation zwischen spezialisierten Agenten.
• Approval-Workflows: Interrupts vor sicherheitskritischen Tool-Calls, etwa Banküberweisungen, Deletes oder externe Notifications.
• Customer Support: Eskalations-Kanten, die ab definierten Triggern an einen menschlichen Agenten übergeben.
• Research-Pipelines: Iteratives Recherchieren, Bewerten, Synthetisieren mit Replay-Möglichkeit für Audit.
• Long-Running-Workflows: Stunden- oder tagelange Prozesse mit persistentem Checkpointing, etwa nightly Reports oder Investigations.

Operativ wird LangGraph oft mit LangSmith für Tracing und Evaluation sowie mit der LangGraph Platform für Hosting kombiniert.

Häufige Fehler

• Aufgeblähter State: zu viele optionale Felder erschweren Reasoning und debugging.
• Fehlende Termination-Bedingung: Agent-Loops, die kein eindeutiges Done haben, laufen endlos.
• Naive Reducer: falsch konfigurierte Append-Logik führt zu duplizierten oder verlorenen Updates.
• Kein Checkpointing in Production: ohne Persistenz gehen lange Runs bei Crashes verloren.
• Subgraphs ohne klare State-Mappings: Multi-Agent-Setups werden zur Black Box.
• Interrupts ohne UX: wenn das Frontend Pausen nicht kennt, hängen Sessions stumm.

Abgrenzung

• LangChain Chains: lineare Pipelines, keine Schleifen oder Verzweigungen.
• AutoGen: Konversations-orientiertes Multi-Agent-Framework von Microsoft.
• CrewAI: Rollen-zentriertes Multi-Agent-Framework, höhere Abstraktion.
• Temporal/Airflow: klassische Workflow-Engines, nicht LLM-spezifisch, kein State für Modelle.
• Anthropic Agent SDK: schlankerer Stack ohne Graph-Modell.
• MCP: Protokoll für Tool-Anbindung, kein Workflow-Framework.