LangChain-Bausteine für echte KI-Apps

Moderne KI-Apps beschränken sich selten darauf, einfach einen Prompt an Gemini, GPT oder Claude zu senden. Nützliche Produkte verbinden Modelle mit Tools, Dokumenten, APIs, Datenbanken, Speicherstrukturen sowie externen Diensten. LangChain ist ein Open-Source-Framework, das diese Verbindungen komponierbar macht anstelle eines Haufens einzelner, einmaliger Scripte.

Was LangChain ist

LangChain ist ein Framework für Anwendungen, die von großen Sprachmodellen angetrieben werden. Anstatt nur mit dem SDK eines Anbieters zu arbeiten, stellt man Komponenten zusammen, die das Modell mit dem Rest des Systems verbinden – wie z. B. für Informationsabruf, Tools, Speicherung, Parsing sowie Orchestrierung von Abläufen.

Diese Struktur eignet sich für Chatbots, Dokumenten-Fragen-und-Antwort-Systeme, Forschungshilfen, Agenten, RAG-Pipelines sowie Workflows, die Tools nutzen. Das Modell bleibt das Denkwerkzeug; LangChain ist der Rahmen darum herum.

Warum nicht nur die reine API?

Stellen Sie sich einen Chatbot vor, der mit Unternehmensdokumenten arbeitet. Mit einem einfachen LLM muss man den Dokumenten erst laden, sie aufteilen, einbetten, relevante Abschnitte suchen, Kontext in einen Prompt einfügen und anschließend eine Antwort generieren. Jeder Schritt birgt mögliche Fehlerquellen sowie Einstellmöglichkeiten. LangChain stellt Bausteine bereit, sodass diese Schritte zu einem organisierten Workflow werden – dieses Muster wird als retrieval-augmented generation (RAG) bezeichnet.

Man kann weiterhin direkt Gemini oder OpenAI für eine einmalige Demonstration aufrufen. Das Framework lohnt sich erst, wenn der einfache Ablauf zu komplexeren Komponenten wie Ladern, Aufteilern, Vektorlagern, Suchfunktionen und Agenten ausgebaut wird.

Kernkonzepte, die man zuerst erlernen sollte

1. Modelle

Das Modell ist das „Gehirn“. LangChain-Adapter unterstützen Google Gemini, OpenAI, Anthropic sowie lokale Ausführungsumgebungen. Man wechselt die Anbieter hinter einer gemeinsamen Schnittstelle aus, sodass der Rest der Anwendung nicht davon abhängt, welcher Anbieter die Tokens berechnet hat.

2. Anfragen

Anfragen weisen dem Modell an, was es tun soll. Vorlagen ermöglichen ihre Wiederverwendung für verschiedene Themen und Nutzer:

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    "Explain {topic} in simple English."
)

Wechseln Sie das Thema, ohne den Inhalt der Vorlage umschreiben zu müssen:

topic = "Docker"
topic = "Kubernetes"
topic = "AWS"

Vorlagen erleichtern außerdem die Bewertung: Die Struktur bleibt unverändert, nur die getesteten Variablen werden geändert.

3. Ketten

Eine Kette verbindet die einzelnen Schritte: Abrufen → Formatieren → Anfrage stellen → Modell nutzen → Auswerten. In größeren Anwendungen werden mehr Schritte in strukturierte Workflows integriert, anstatt verschachtelter Skripte mit verstecktem Zustand. Die LCEL-basierte Komposition sorgt dafür, dass der Datenfluss von links nach rechts lesbar bleibt.

4. Werkzeuge

Modelle können nicht selbst APIs aufrufen oder Datenbanken abfragen. Werkzeuge umfassen Funktionen für Suchvorgänge, HTTP-Anfragen, Rechner, SQL-Abfragen, Wetterdaten sowie das Lesen von Dateien. Beispiel für eine Benutzeranfrage:

User:
What is the current weather in Kandy?

Ein Agent kann entscheiden, dass ein Wetterwerkzeug benötigt wird, es aufrufen und anschließend das Gespräch mit dem Ergebnis fortführen, welches in den Kontext eingebettet wird.

5. Agenten

Ein Agent wählt aus, welche Tools zur Erreichung eines Ziels aufgerufen werden sollen. Man kann beispielsweise nach dem Wetter in Colombo und einer Umrechnung in Fahrenheit fragen; der Agent kann zunächst das Wetter-Tool und anschließend ein Umrechnungstool aufrufen. Die Anwendung passt den Aktionsplan laufend an, anstatt für jede Abfragesituation eine feste Sequenz vorzugeben.

6. Abruf und RAG

RAG holt die Daten vor der Generierung ab. Gegeben sei ein PDF-Handbuch:

University Handbook.pdf

Ein Student fragt, wie viele Credits für den Abschluss benötigt werden. Die App integriert die Frage, findet passende Abschnitte aus dem Handbuch und antwortet auf dieser Grundlage – nicht nur auf Basis der Vortrainingsdaten. So kann vertrauliches Wissen sicher in die Antwort einfließen.

LangChain gegen direkte API-Aufrufe

Für eine einmalige Abfrage reicht ein direkter Aufruf des Anbieters aus:

Simple application
      ↓
Direct LLM API

Durch die Hinzufügung von Abrufmechanismen, Werkzeugen, Speicherfunktionen, Wiederholungsversuchen und Verzweigungen sorgt ein Framework dafür, dass der Graph übersichtlich bleibt. LangChain ersetzt das LLM nicht; es organisiert die Anwendung darum herum, damit Teams Muster und Tests teilen können.

Wo es in echten Produkten zum Einsatz kommt

• Gesprächsassistenten mit Sitzungsspeicher
• Dokumenten-FAQs nach Upload oder Synchronisierung des Korpus
• Forschungshilfen, die Suchwerkzeuge mit Synthesefunktionen verbinden
• Mehrschrittige Agenten, die interne APIs aufrufen
• Business-Systeme, die mit Datenbanken und Ticketing-Systemen verbunden sind
• Tutoren, die auf Kursmaterialien und Lehrplänen basieren

Fazit

Lernen Sie die Grundlagen – Modelle, Prompts, Chains, Tools, Agenten sowie Retrieval-Methoden – und bauen Sie anschließend kleine Anwendungen. Beginnen Sie mit einem Chat-Loop, fügen Sie ein Tool hinzu, verbinden Sie einen Dokumentenspeicher und entwickeln Sie diese schrittweise zu einem Agenten weiter. In diesem Fortschrittsprozess wird LangChain nicht mehr abstrakt, sondern ermöglicht die Entwicklung nützlicher KI-Anwendungen.