LangChain ist ein Open-Source-Framework, mit dem Entwickler KI-Agenten und Anwendungen mit Sprachmodellen bauen. Es nimmt dir die wiederkehrende Arbeit ab: ein Modell ansprechen, ihm Werkzeuge geben, Antworten auswerten und den nächsten Schritt auslösen. Hier erfährst du, wie LangChain, LangGraph und LangSmith zusammenhängen, was sie kosten und wann du statt Code besser ein visuelles Werkzeug wie n8n nimmst.
Was ist LangChain?
LangChain ist eine Programmbibliothek für Python und JavaScript. Sie steht unter MIT-Lizenz, du darfst sie also kostenlos nutzen, verändern und in eigene Produkte einbauen.
Die Dokumentation beschreibt LangChain heute als Agenten-Framework mit einem zentralen Einstieg: der Funktion create_agent. Du übergibst ihr ein Sprachmodell, eine Liste von Werkzeugen und eine Systemanweisung. LangChain baut daraus einen Agenten, der in einer Schleife arbeitet: Das Modell entscheidet, ob es ein Werkzeug braucht, ruft es auf, liest das Ergebnis und antwortet oder macht weiter. Über sogenannte Middleware erweiterst du dieses Verhalten schrittweise.
Am 22. Oktober 2025 sind LangChain 1.0 und LangGraph 1.0 erschienen. Der Hersteller hat damit zugesagt, bis zur Version 2.0 keine Änderungen einzuführen, die bestehenden Code brechen. Für Python setzt LangChain 1.0 mindestens Version 3.10 voraus. Die frühere Funktion create_react_agent aus LangGraph gilt als veraltet, ihr Nachfolger ist create_agent.
LangChain, LangGraph und LangSmith im Überblick
Unter dem Namen LangChain laufen drei Bausteine, die oft verwechselt werden.
| Baustein | Aufgabe | Lizenz oder Preis |
|---|---|---|
| LangChain | Agenten schnell bauen | MIT, kostenlos |
| LangGraph | Abläufe als Graph steuern | MIT, kostenlos |
| LangSmith | Tracing und Auswertung | ab 0 US-Dollar |
LangGraph ist die Ebene unter LangChain. Die Dokumentation nennt es ein Orchestrierungs-Framework und eine Laufzeitumgebung für lang laufende Agenten mit Zustand. Du beschreibst Abläufe als Graph aus gemeinsamem Zustand, Knoten und Kanten. LangGraph bringt Funktionen mit, die du bei einfachen Agenten selten brauchst, in produktiven Abläufen aber schnell vermisst:
- Ein Mensch kann den Ablauf anhalten, den Zustand prüfen oder ändern und dann fortsetzen.
- Kurzzeitgedächtnis je Gesprächsverlauf und Langzeitgedächtnis über mehrere Sitzungen.
- Streaming von Tokens und Zwischenständen, während der Graph läuft.
Die Agenten aus create_agent laufen intern auf LangGraph. Umgekehrt funktioniert LangGraph laut Doku auch ganz ohne LangChain.
LangSmith ist das Werkzeug zum Beobachten und Bewerten. Es zeichnet jeden Lauf eines Agenten als Trace auf: welche Anweisung ans Modell ging, welche Werkzeuge es aufgerufen hat und was zurückkam. Laut Dokumentation funktioniert es auch mit Agenten, die nicht mit LangChain gebaut sind.
Was kostet LangChain?
Die Bibliotheken LangChain und LangGraph kosten nichts. Laufende Kosten entstehen durch das Sprachmodell, das du anbindest, etwa über die API von OpenAI, Anthropic oder Google, und durch den Server, auf dem dein Agent läuft. Kostenpflichtig ist nur LangSmith, und auch das erst ab dem zweiten Tarif.
| LangSmith-Tarif | Preis | Enthaltene Traces |
|---|---|---|
| Developer | 0 US-Dollar, 1 Platz | 5.000 je Monat |
| Plus | 39 US-Dollar je Platz/Monat | 10.000 je Monat |
| Enterprise | auf Anfrage | individuell |
Stand November 2026. Über die enthaltene Menge hinaus rechnet LangSmith nach Verbrauch ab. Basis-Traces bewahrt der Dienst 14 Tage auf, erweiterte Traces 180 Tage. Enterprise bietet zusätzlich Selbsthosting und eigenes Single Sign-on.
Wofür setzt man LangChain ein?
LangChain lohnt sich, wenn dein Team ohnehin in Python oder JavaScript entwickelt und der Agent Teil einer eigenen Anwendung werden soll. Typische Einsätze sind:
- Ein Support-Assistent, der Fragen aus der eigenen Wissensdatenbank beantwortet, oft mit RAG gebaut.
- Ein Agent, der über Werkzeuge Tickets anlegt, Kalender prüft oder eine API-Schnittstelle abfragt.
- Ein mehrstufiger Prüfablauf mit LangGraph, bei dem ein Mensch vor dem letzten Schritt freigibt.
- Die Auswertung bestehender Agenten mit LangSmith, um Fehler und teure Aufrufe zu finden.
LangChain und n8n: Code oder No-Code?
Die KI-Funktionen von n8n beruhen selbst auf LangChain. Die n8n-Dokumentation sagt wörtlich, dass die KI-Nodes das JavaScript-Framework von LangChain verwenden. Die Bausteine erscheinen dort als Cluster-Nodes: ein Root-Node wie der AI Agent, an den du Sub-Nodes für Modell, Gedächtnis und Werkzeuge hängst. Für Fälle ohne fertigen Node gibt es den LangChain Code Node, in dem du LangChain-JavaScript direkt schreibst.
| Frage | LangChain | n8n |
|---|---|---|
| Arbeitsweise | Code in Python oder JS | visueller Editor |
| Grundlage | eigenes Framework | nutzt LangChain JS |
| Anbindung an Dienste | selbst programmieren | fertige Nodes |
| Eignet sich für | eigene Software | Automatisierungen |
Für die meisten Abläufe in Vertrieb, Service oder Verwaltung reicht n8n: Du verbindest Trigger, Agent und Werkzeuge per Maus und musst keine Laufzeitumgebung pflegen. Wie das konkret geht, zeigt KI-Agent mit n8n. Zu LangChain greifst du, wenn du sehr feine Kontrolle über jeden Schritt brauchst oder den Agenten in eine bestehende Codebasis einbaust. Die grundsätzliche Planung eines Agenten beschreibt KI-Agent erstellen.
Schritt für Schritt: erster Agent mit LangChain
- Installiere das Paket
langchainund das Paket deines Modellanbieters, in Python ab Version 3.10. - Hinterlege den API-Schlüssel des Anbieters als Umgebungsvariable, nie im Code.
- Schreibe deine Werkzeuge als Funktionen mit klarer Beschreibung, denn das Modell wählt anhand dieser Beschreibung.
- Rufe
create_agentmit Modell, Werkzeugen und Systemanweisung auf. - Teste mit echten Anfragen und verbinde LangSmith, um jeden Werkzeugaufruf nachzuvollziehen.
- Steige auf LangGraph um, sobald du Freigaben, Verzweigungen oder Gedächtnis über Sitzungen brauchst.
Typische Fehler mit LangChain
- Alte Anleitungen mit Funktionen aus der Zeit vor Version 1.0 übernehmen, die inzwischen als veraltet gelten.
- Zu viele Werkzeuge mit vagen Beschreibungen anbieten, sodass das Modell das falsche wählt.
- Ohne Tracing in den Betrieb gehen und später nicht erkennen, warum ein Agent falsch handelt.
- Einen Code-Agenten bauen, obwohl ein Workflow in n8n dieselbe Aufgabe mit weniger Wartung erledigt.
Wenn dein Agent auf Konten, Daten oder Zahlungen zugreift, plane die Absicherung von Anfang an mit. Die Risiken und Schutzmaßnahmen erklärt kiagentensicherheit.de. Einen Überblick über Agenten ohne Programmierung findest du auf der Seite zu KI-Agenten.