LangChain-Architektur

LangChain ist das meistgenutzte Framework für LLM-Anwendungen. Es abstrahiert die Komplexität von Prompt-Management, Tool-Integration und Chain-Komposition. In 2026 hat sich LangChain von einem monolithischen Paket zu einem modularen Ökosystem entwickelt.

Core Concepts

Chains

Eine Chain ist eine Sequenz von Aufrufen — LLM, Tool, Retriever oder andere Chains. Chains sind die Grundbausteine jeder LangChain-Anwendung.

Agents

Agents nutzen LLMs als Reasoning-Engine, um dynamisch zu entscheiden, welche Tools in welcher Reihenfolge aufgerufen werden. Im Gegensatz zu Chains ist der Ablauf nicht fest definiert.

Tools

Tools sind Funktionen, die ein Agent aufrufen kann: Datenbank-Abfragen, API-Calls, Berechnungen, Web-Suche. LangChain bietet hunderte vordefinierte Tools.

Memory

Memory-Systeme speichern Konversationsverläufe und Kontext über mehrere Interaktionen hinweg.

LangChain Expression Language (LCEL)

LCEL ist das deklarative Kompositions-System von LangChain. Es erlaubt, Chains als Pipeline zu definieren:

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template("Erkläre {topic} in 3 Sätzen.")
model = ChatOpenAI(model="gpt-4o")
parser = StrOutputParser()

chain = prompt | model | parser
result = chain.invoke({"topic": "Quantencomputing"})

LCEL-Vorteile

Wann LangChain vs. direktes SDK?

Praxis-Tipp: Nutzen Sie LangChain nicht für einfache LLM-Calls — das SDK ist effizienter. LangChain lohnt sich, wenn Sie Chains komponieren, Retriever integrieren oder mehrere LLM-Provider unterstützen müssen.