Was ist LangGraph? – Workflows als Graphen modellieren

LangGraph ist ein Framework von LangChain für die Entwicklung zustandsbehafteter Multi-Agent-Workflows. Statt linearer Chains modelliert LangGraph Abläufe als Graphen – mit Knoten (Aktionen), Kanten (Übergänge) und einem persistenten Zustand.

Der Graph-Ansatz ermöglicht Dinge, die mit einfachen Chains schwierig sind: Zyklen (der Agent iteriert, bis ein Ziel erreicht ist), bedingte Verzweigungen (verschiedene Pfade je nach Ergebnis) und parallele Ausführung (mehrere Aktionen gleichzeitig).

NCA arbeitet seit Jahren mit KI-Agenten in produktiven Umgebungen — von Vibe Coding Consulting über Claude Agent Teams bis hin zur Orchestrierung mit Paperclip und lokalen KI-Modellen via Ollama. Wir kennen die Lernkurve von LangGraph aus erster Hand: vom ReAct Agent bis zum Multi Agent Supervisor.

Wenn du LangGraph evaluierst, mit CrewAI oder AutoGen vergleichen willst, ein Konzept für einen Production Agent brauchst oder ein bestehendes Setup mit passenden KI-Modellen verbinden willst — wir helfen Teams, das richtige Level für den eigenen Use Case zu finden, statt direkt auf Multi Agent zu springen. Auch die Anbindung an MCP Server oder eigene Vibe Coding Best Practices sind Teil unserer Beratung.

LangChain hat sich als Standard-Framework für LLM-Anwendungen etabliert. Chains – lineare Abfolgen von Prompts und Tools – funktionieren gut für einfache Aufgaben. Aber komplexe Agenten brauchen mehr: Entscheidungslogik, Fehlerbehandlung, Iteration.

LangGraph erweitert LangChain um diese Fähigkeiten. Es nutzt dieselben Konzepte (LLMs, Tools, Prompts), organisiert sie aber in einer flexibleren Struktur. Der Graph definiert explizit, welche Aktionen möglich sind und unter welchen Bedingungen sie ausgeführt werden.

Das Ergebnis: Mehr Kontrolle über den Workflow bei gleichzeitiger Flexibilität für autonome Agent-Entscheidungen.

LangGraph basiert auf drei Kernkonzepten:

State: Der Zustand enthält alle Informationen, die während der Ausführung relevant sind – Eingaben, Zwischenergebnisse, Entscheidungen. Der State wird zwischen Knoten weitergegeben und kann persistiert werden.

Nodes: Knoten sind die Aktionen im Workflow. Jeder Knoten ist eine Funktion, die den aktuellen State liest, eine Aktion ausführt und den State aktualisiert. Knoten können LLM-Aufrufe, Tool-Nutzung oder beliebige Python-Logik sein.

Edges: Kanten verbinden Knoten und definieren den Kontrollfluss. Normale Edges führen immer zum nächsten Knoten. Conditional Edges wählen den nächsten Knoten basierend auf dem State.

LangGraph ist nicht in zwei Tagen produktionsreif. Die Mächtigkeit kommt stufenweise: vom einfachen ReAct Agent über zustandsbehaftete Workflows mit Checkpointer bis zu Multi Agent Systemen mit Supervisor Pattern. Jede Stufe baut auf der vorherigen auf und bringt neue Primitives ins Spiel.

Wer LangGraph evaluiert, sollte ehrlich einschätzen, auf welchem Level der eigene Use Case wirklich liegt. Ein einfacher Customer Support Bot braucht oft nur Level 2. Ein Multi Agent System wie das von Klarna mit 85 Millionen aktiven Nutzern ist Level 4 — und entsprechend aufwendig im Setup. Die folgende Tabelle zeigt die vier Stufen mit den jeweiligen Konzepten und typischen Use Cases.

Ein Killer-Feature von LangGraph ist die eingebaute Persistenz. Der Graph-State kann automatisch gespeichert und wiederhergestellt werden – ideal für lang laufende Workflows oder Unterbrechungen.

Das ermöglicht robuste Human-in-the-Loop-Patterns: Der Workflow pausiert an definierten Stellen und wartet auf menschliche Eingabe. Nach der Bestätigung setzt er genau dort fort, wo er aufgehört hat – auch nach Stunden oder Tagen.

LangGraph unterstützt verschiedene Backends für die Persistenz: In-Memory für Entwicklung, SQLite für lokale Anwendungen, PostgreSQL für Produktion.

Neben der Open-Source-Library bietet LangChain die LangGraph Platform – eine kommerzielle Lösung für produktionsreife Deployments.

Die Platform umfasst: LangGraph Server (skalierbare Ausführung von Graphen), LangGraph Studio (visuelle Entwicklungsumgebung), LangGraph CLI (Deployment-Tools) und LangSmith-Integration (Monitoring und Debugging).

Für Teams, die LangGraph in Produktion betreiben wollen, reduziert die Platform den operativen Aufwand erheblich. Die Open-Source-Library bleibt aber vollständig nutzbar – ohne Vendor-Lock-in.

Die drei führenden Multi-Agent-Frameworks haben unterschiedliche Stärken:

LangGraph bietet maximale Kontrolle durch explizite Graph-Definition. Ideal für Produktions-Workflows, bei denen Vorhersagbarkeit und Debuggability wichtig sind.

AutoGen setzt auf emergentes Verhalten durch Agent-Konversation. Besser für explorative Szenarien, bei denen die optimale Lösung nicht vorab bekannt ist.

CrewAI abstrahiert technische Details durch Rollen-Metaphern. Schnellster Einstieg, aber weniger Kontrolle über die Ausführung.

LangGraph ist die richtige Wahl, wenn: klare Workflow-Struktur gewünscht ist, Persistenz und Fehlerbehandlung kritisch sind, oder Integration mit dem LangChain-Ökosystem wichtig ist.

In NCA-Projekten sehen wir regelmäßig dasselbe Muster: Teams starten mit einem komplexen Multi Agent System, weil das in Demos beeindruckend aussah — und scheitern an der Komplexität. Die ehrlichere Antwort ist meist Level 2 oder 3 aus der Tabelle oben. Ein zustandsbehafteter Workflow mit Checkpointer und Human in the Loop reicht für die meisten Production Use Cases.

Wenn echtes Multi Agent gebraucht wird, lohnt der Vergleich mit Alternativen wie Ruflo oder Paperclip. Spec Driven Development mit OpenSpec und Anbindungen über GitHub MCP Server machen das Setup wartbar. Auch der Mix mit Claude Agent Teams ist eine Option, wenn das Coding Agent Pattern dominiert.

Die wichtigsten Fragen und Antworten zum Graph-basierten Agent-Framework.