LangGraph: Stateful Agents als Directed Graph

LangGraph ist ein Low-Level-Orchestrierungs-Framework von LangChain Inc. zum Bauen langlaufender, zustandsbehafteter KI-Agenten. Es modelliert einen Agenten nicht als linearen Skriptablauf, sondern als gerichteten Graphen aus Knoten und Kanten mit einem geteilten State-Objekt, persistentem Checkpointing, Human-in-the-Loop-Punkten und Streaming. Aktuell ist Version 1.2.0 (Stand Mai 2026), die Lizenz ist MIT, unterstützt werden Python und JavaScript/TypeScript.

Wer Agenten über reine LLM-API-Aufrufe hinaus produktiv betreiben will, braucht eine kontrollierte Ablaufsteuerung mit verlässlichem Zustand. Genau dafür ist LangGraph gebaut: niedrige Abstraktionsebene, explizite Kontrolle, durable execution.

Schnellantworten

• Was es ist: Eine Orchestrierungsschicht, die Agenten-Workflows als Graph aus Knoten (Logik) und Kanten (Kontrollfluss) über einem geteilten State beschreibt.
• Wofür es passt: Komplexe, kontrollierte, langlaufende Multi-Step-Workflows, besonders mit State, Approvals und Audit-Pflicht.
• Abgrenzung: LangGraph ist nicht der Nachfolger von LangChain, sondern die zustandsbehaftete Orchestrierung darüber. LangChain liefert Modelle und Tools, LangGraph den Ablauf.

Das Kernmodell: Nodes, Edges, State, Reducer

LangGraph beschreibt einen Agenten als State Graph. Drei Bausteine tragen das Modell:

• State: Ein typisiertes, geteiltes Objekt, das durch den gesamten Graphen wandert. Jeder Schritt liest aus dem State und schreibt zurück. Der State ist die einzige Wahrheit über den Fortschritt eines Laufs.
• Nodes (Knoten): Funktionen, die Arbeit erledigen, etwa ein LLM aufrufen, ein Tool ausführen oder ein Ergebnis validieren. Ein Knoten bekommt den aktuellen State und gibt ein State-Update zurück.
• Edges (Kanten): Sie bestimmen, welcher Knoten als nächstes läuft. Bedingte Kanten (conditional edges) erlauben Verzweigungen anhand des State, sodass Schleifen, Retries und dynamische Pfade möglich sind, die ein linearer Pipeline-Aufbau nicht abbildet.

Wichtig ist das Konzept des Reducers. Wenn mehrere Knoten dasselbe State-Feld schreiben, etwa eine Nachrichtenliste, legt der Reducer fest, wie die Updates zusammengeführt werden, zum Beispiel anhängen statt überschreiben. So bleiben parallele oder iterative Schritte konfliktfrei. Das ist der Unterschied zwischen einem fragilen, selbstgebauten Agenten-Loop und einer kontrollierten Zustandsmaschine.

Persistenz und Checkpointing: durable execution

Die wichtigste Production-Eigenschaft von LangGraph ist durable execution über Checkpointing. Nach jedem Schritt wird der State in einem Backend persistiert. Daraus ergeben sich drei praktische Fähigkeiten:

• Pausieren und Fortsetzen: Ein Lauf kann angehalten und später exakt dort wieder aufgenommen werden, ohne Fortschrittsverlust.
• Fehlertoleranz: Stürzt ein langlaufender Workflow ab, startet er nicht bei null, sondern vom letzten Checkpoint.
• Zeitreise: Früherer State lässt sich inspizieren und der Lauf von einem bestimmten Punkt neu verzweigen, was Debugging und Auditierbarkeit erheblich erleichtert.

LangGraph bringt dafür ausgereifte Mechanismen mit, darunter den DeltaChannel und Per-Node-Timeouts (graceful drain), die in den aktuellen Releases dokumentiert sind.

Human-in-the-Loop, Streaming, Subgraphs

Human-in-the-Loop (HITL): Weil der State persistent ist, kann ein Graph an einer definierten Stelle anhalten und auf eine menschliche Entscheidung warten, etwa eine Freigabe vor einer kostenpflichtigen oder irreversiblen Aktion. Erst nach Bestätigung läuft der Workflow weiter. Das ist genau das, was regulierte Branchen mit Human-Oversight-Anforderung benötigen.

Streaming: LangGraph streamt Zwischenergebnisse, Tokens und Schrittfortschritte. Verfügbar sind ein type-safer Streaming-Pfad (v2) und ein Content-Block-Streaming (v3), sodass UIs den Agenten-Fortschritt live anzeigen können.

Subgraphs: Ein Graph kann als Knoten in einem größeren Graphen eingebettet werden. So lassen sich wiederverwendbare Agenten-Module kapseln und komplexe Multi-Agent-Architekturen wie Supervisor- oder Swarm-Muster sauber komponieren, statt alles in einen monolithischen Ablauf zu pressen.

Pseudocode: ein einfacher Graph

Das folgende Pseudocode-Beispiel zeigt einen minimalen Agenten-Loop: Ein Modell-Knoten entscheidet, ein Tool-Knoten führt aus, eine bedingte Kante schließt die Schleife.

```
State = {
messages: list # Reducer: anhaengen, nicht ueberschreiben
}

def call_model(state):
antwort = llm.invoke(state.messages)
return {"messages": [antwort]}

def call_tools(state):
ergebnis = tools.run(state.messages[-1].tool_calls)
return {"messages": [ergebnis]}

def should_continue(state):
if state.messages[-1].hat_tool_calls:
return "tools" # bedingte Kante -> Werkzeug ausfuehren
return END # Antwort fertig -> beenden

graph = StateGraph(State)
graph.add_node("model", call_model)
graph.add_node("tools", call_tools)
graph.set_entry_point("model")
graph.add_conditional_edges("model", should_continue)
graph.add_edge("tools", "model") # Schleife zurueck zum Modell

app = graph.compile(checkpointer=Checkpointer())
app.invoke({"messages": [user_input]}, config={"thread_id": "kunde-42"})
```

Die thread_id bindet den Lauf an einen Checkpoint-Strang. Genau dieser Mechanismus erlaubt es, denselben Konversations- oder Prozessfaden später fortzusetzen, statt jedes Mal neu zu beginnen.

LangGraph vs. LangChain: die Abgrenzung

Eine häufige Verwechslung: LangGraph ist nicht die nächste Version von LangChain. Beide stammen von LangChain Inc., erfüllen aber unterschiedliche Aufgaben. LangChain ist die Bibliothek für Modelle, Prompts und Tool-Integrationen (über 750 Tools im Ökosystem). LangGraph ist die Low-Level-Orchestrierung, die diese Bausteine zu einem zustandsbehafteten, langlaufenden Ablauf zusammenführt. Die Migration von klassischem LangChain zu LangGraph verläuft inkrementell, bestehende LangChain-Komponenten bleiben nutzbar.

Im Ökosystem ergibt sich eine klare Schichtung: LangChain (Bibliothek und Integrationen) liefert die Bausteine, LangGraph (Orchestrierung, durable) steuert den Ablauf, LangSmith (Eval und Observability) liefert Tracing, und die LangGraph Platform bzw. LangSmith Deployment bietet managed Hosting.

Feature und Nutzen im Überblick

Konkretes Beispiel: kontrollierter Prozess mit Freigabe

Eine B2B-Agentur baut für einen Versicherungskunden einen Agenten, der Schadensmeldungen vorbearbeitet: Dokumente lesen, Daten extrahieren, gegen Policen prüfen, bei einer Betragsgrenze über 5.000 Euro einen Sachbearbeiter zur Freigabe einbinden, dann den Vorgang anlegen.

Mit LangGraph wird daraus ein Graph mit vier Knoten und einer bedingten Kante am Schwellenwert. Fällt der Betrag über die Grenze, hält der Graph an einem HITL-Punkt an und persistiert seinen State; nach der Freigabe läuft er weiter. Fällt das System zwischendurch aus, wird vom letzten Checkpoint fortgesetzt, kein Dokument wird doppelt verarbeitet. Jeder Schritt ist in LangSmith nachvollziehbar, was die Auditierbarkeit erfüllt.

Der Preis dieser Kontrolle ist die Lerntiefe. Drittanalysen beziffern den Mehraufwand mit rund 120 Codezeilen für einen ReAct-Agenten gegenüber etwa 40 in leichteren Frameworks. Dafür ist der Ablauf deterministisch steuerbar statt eines schwer debugbaren Black-Box-Loops. LangGraph wird unter anderem von Klarna, Replit, Uber, LinkedIn und Elastic in Produktion eingesetzt.

Für Agenturen und B2B-Teams

LangGraph ist die richtige Wahl, wenn Sie kontrollierte, langlaufende und auditierbare Agenten brauchen, nicht den schnellsten Demo-Prototyp. Für DACH-Kunden mit DSGVO- und Souveränitätsanforderung ist entscheidend: Das Framework ist Open Source (MIT) und vollständig self-hostbar, etwa auf STACKIT, IONOS oder OVHcloud. Die managed Lösung LangSmith ist US-basiert, hier ist der Status der EU-Datenresidenz vorab zu klären (keine Rechtsberatung). Als Agentur Blck Alpaca evaluieren wir mit Ihnen, ob LangGraph, ein leichteres Framework oder eine schlanke Direktlösung zu Ihrem Use-Case passt, und setzen die Architektur souveränitätskonform um. Sprechen Sie uns für eine Framework-Evaluation an.