Erstellen Sie Ihren ersten LangChain-Agent mit LangGraph im Jahr 2026

Viele Entwickler haben einen LangChain-Tutorial verfolgt und am Ende einen Chatbot erhalten, der sich falsche Tool-Names ausdenkt und immer wieder循环iert, bis das Token-Budget aufgebraucht ist. Der Unterschied zwischen einer fertig installierten Lösung und einem funktionsfähigen, veröffentlichten Agenten ist groß, und die meisten Tutorials überspringen die Teile, die Probleme verursachen. Hier erfahren Sie, was ein Agent im Hintergrund tut, wie man einen mit dem aktuellen Stack erstellt, welche Fehler man vermeiden sollte und wie eine realistische Implementierung in der Bildungstechnologie aussieht.

Kurz gesagt: Ein LangChain-Agent kombiniert das Denkvermögen eines LLMs mit externen Tools, um mehrstufige Aufgaben abzuschließen. Neuere LangChain-Versionen nutzen LangGraph für statebasierte, loopende Agenten anstelle des alten AgentExecutor allein. Tools, Informationsabrufmechanismen und Speichersysteme tragen den größten Teil der Last in jeder produktionsreifen Lösung.

Was macht etwas zu einem Agenten

Ein Chatbot nimmt Eingaben entgegen und gibt in einem Schritt Ausgaben zurück. Ein Agent nimmt sich ein Ziel vor, wählt Werkzeuge aus, führt sie aus, prüft die Ergebnisse und entscheidet über den nächsten Schritt – und wiederholt dies, bis das Ziel erreicht ist oder eine Stoppsbedingung eintritt. Dieser Kreislauf ist der entscheidende Unterschied.

Das ist für Lernprodukte von großer Bedeutung. Stellen Sie sich einen Studenten vor, der eingibt: „Führe mich im Kapitel 5 durch einen Test, überprüfe meine letzten drei Testergebnisse und mache den Test schwieriger, wenn ich weiterhin über 80 % erreiche.“ Ein statischer Chatbot kann das nicht bewältigen. Ein Agent kann die Anfrage in Teile aufteilen, eine Test-API aufrufen, eine Notendatenbank abfragen, die bedingte Logik anwenden und einen personalisierten Testkatalog zurückgeben. Lernplattformen sowie Start-ups im Bereich LMS entwickeln derzeit genau diese Art von Architektur.

Die Gestaltung setzt sich aus drei Schichten zusammen:

• Der LLM-Kern, wie zum Beispiel GPT-4o, Claude, Gemini oder ein Open-Source-Modell.

Die Tool-Schicht: einfache Python-Funktionen, externe APIs oder LangChains eingebaute Tools wie Tavily Search, Wikipedia sowie benutzerdefinierte SQL-Abfragen.

Die Memory-Schicht – alles von einem kurzfristigen Konversationspuffer über langfristige Vektorlagern bis hin zu Entitätenmemorien.

Vernetzen Sie sie mithilfe einer LangGraph-Zustandsmaschine, und Sie haben etwas, das Sie in die Produktion überführen können.

Schritt für Schritt erstellen

Folgen Sie den Schritten in der richtigen Reihenfolge. Das Überspringen eines Schritts ist der übliche Grund, warum Anfänger-Agenten scheitern, sobald echte Nutzer auftauchen.

1. Installieren Sie den Stack. Führen Sie pip install langchain langchain-openai langgraph langchain-community tavily-python unter Python 3.11 oder neuer aus. Legen Sie OPENAI_API_KEY und TAVILY_API_KEY in Umgebungsvariablen ab und kodieren Sie sie niemals direkt ein.

Schreiben Sie das Ziel in einem Satz auf, bevor Sie den Code anfassen. Zum Beispiel: Der Agent beantwortet Fragen zum Fortschritt eines Studenten in einem Kurs, indem er die LMS-API abruft und das Ergebnis zusammenfasst. Unklare Ziele führen zu fehlerhaften Agenten, und eine frühzeitige Präzisierung des Ziels spart Stunden an Debugging.

Richten Sie das Modell ein. ChatOpenAI(model="gpt-4o", temperature=0) sorgt für stabileres Denken, und eine Temperatur von null ist bei der Aufrufung von Tools wichtig, da sie die Wahrscheinlichkeit erfundener Aufrufe verringert. Für kostensensible Implementierungen kann gpt-4o-mini einen großen Teil der Arbeit zu einem Bruchteil des Preises übernehmen.

Definieren Sie Tools mit dem @tool-Decorator. Jedes Tool ist eine Python-Funktion mit einer klaren Dokumentation, da das Modell diese Dokumentation liest, um zu entscheiden, wann es aufgerufen werden soll. Eine schlechte Dokumentation bedeutet, dass das Tool nie aufgerufen wird oder zum falschen Zeitpunkt aufgerufen wird.

Erstellen Sie den LangGraph-Zustand sowie die Knoten. Deklarieren Sie ein TypedDict-Schema für den Zustand, erstellen Sie einen Knoten für das Reasoning des Modells und einen weiteren für die Ausführung von Tools, und verbinden Sie sie mithilfe von StateGraph über bedingte Kanten. Diese Kanten bilden den Reasoning-Zyklus.

Fügen Sie Speicher hinzu. MemorySaver aus LangGraph kümmert sich um den kurzfristigen Zustand. Für den langfristigen Speicher, auf den personalisierte Lernagenten angewiesen sind, verbinden Sie einen Vektor-Speicher wie Pinecone oder Chroma.

Kompilieren, testen und überwachen. Kompilieren Sie mit graph.compile(checkpointer=memory), rufen Sie es mit einer Testanfrage auf und nutzen Sie LangSmith, die Tracing-Plattform von LangChain, um jeden Schritt zu überprüfen: Welches Tool wurde ausgeführt, welche Eingaben es erhielt und was das Modell anschließend entschied.

Erhärten Sie die Struktur. Fügen Sie Wiederholungsversuche, Limits für das Token-Budget (max_iterations), Eingabenvalidierung sowie eine recursion_limit hinzu, damit ein fehlerhafter Agent nicht endlos im Kreis läuft. Protokollieren Sie jeden Aufruf der Tools in Ihrem Überwachungssystem.

Welche Rolle spielen Agenten in der Bildungstechnologie?

LMS-Plattformen wie Moodle, Canvas oder selbst entwickelte Systeme können Agenten als Kursassistenten einsetzen. Sie abfragen Noten, empfehlen den nächsten Lernmodul, melden Schüler mit Schwierigkeiten an einen Dozenten und erstellen Quizfragen aus hochgeladenen PDF-Dateien mithilfe von RAG. Ein mittelgroßer LMS-Anbieter berichtete, dass die Verwaltungsaufwände der Dozenten um 40 % zurückgingen, nachdem Agenten begannen, Fragen zu den Lernfortschritten der Schüler zu beantworten.

KI-Tutoren funktionieren am besten als Agenten statt als einzelne Modellaufrufe. Der Tutore prüft, was der Student bereits weiß (Gedächtnis), holt das relevante Kursmaterial ab (RAG), passt die Erklärungsweise an (mit einem Präferenzprofil-Tool) und plant ein Nachfollerkontrollfragen ein (mit einem Kalender-Tool). Das Tool-Chaining von LangChain hält die Gesamtlänge auf etwa 500 Python-Sätzen.

Universitäts- und Forschungsportale eignen sich ebenfalls. Promovende nutzen Agenten, um institutionelle Repositorien zu durchsuchen, Artikel zusammenzufassen, Zitate zu überprüfen und Abschnitte für Literaturübersichten zu entwerfen. Der Agent übernimmt die monotonen Suchaufgaben, während der Student denkt – das ist bei richtiger Konfiguration ein sinnvoller, zitatsicherer Arbeitsablauf.

Lernplattformen, die auf Fähigkeiten basieren – wie z. B. Coding-Bootcamps und berufliche Zertifizierungen – nutzen Agenten, um Live-Code-Bewertungen durchzuführen, die Ergebnisse der Lernenden anhand eines Bewertungsschemas zu vergleichen, gezielte Rückmeldungen zu geben und Fähigkeitsprofile zu aktualisieren. Eine gute Plattform bewertet nicht nur, sondern analysiert auch, warum der Lernende einen bestimmten Fehler gemacht hat, und erstellt anschließend eine kurze, gezielte Lektion.

Wahl eines Frameworks

Ein Vergleich von LangChain, LlamaIndex, CrewAI und AutoGen verdient einen eigenen Artikel, doch es gibt eine Faustregel. LangChain in Kombination mit LangGraph ist die bessere Wahl für allgemein einsetzbare Agenten, die Tools, Speicherfunktionen sowie Überlegungsschleifen benötigen. LlamaIndex ist auf Suchpipelines und das Beantworten von Fragen zu Dokumenten ausgelegt. Viele Produktionsysteme kombinieren beide, wobei LlamaIndex für die Eingabe- und Suchfunktionen zuständig ist, während LangChain die Agenten steuert.

Der Ablauf einer einzelnen Anfrage verläuft wie folgt: Zuerst wird das Ziel sowie der Systemprompt definiert, anschließend wird das Modell eingerichtet und die Tools gebunden. Danach wird der Graphenzustand sowie die Knoten erstellt, und das Agent fragt sich selbst, welches Tool es benötigt. Es ruft dieses Tool mit der generierten Eingabe auf, beobachtet die Ausgabe und entscheidet, ob die Aufgabe abgeschlossen ist oder der Zyklus fortgesetzt werden soll. Wenn alles erledigt ist, gibt es die Antwort zurück.

Daraus lassen sich einige wichtige Erkenntnisse ziehen.

• Die Temperatur spielt eine wichtigere Rolle als die Wahl des Modells. Bei Einstellung auf null führt dies bei den meisten Grenzmodellen zu deutlich weniger falschen Toolaufrufen im Vergleich zu höheren Werten. Betrachten Sie alle im Internet angegebenen Prozentsätze lediglich als grobe Schätzung und testen Sie dies mit Ihren eigenen Tools.
• Dokumentationsstrings sind das Handbuch des Agents. Eine einezeilige, vage Beschreibung ist die häufigste Ursache für Fehlverwendungen der Tools in Anfängerprojekten.

LangGraph hat AgentExecutor aus gutem Grund ersetzt. AgentExecutor eignet sich für einfache, einmal durchgeführte Agenten, doch alles, was Verzweigungen, Schritte mit menschlicher Beteiligung oder parallele Toolaufrufe beinhaltet, benötigt ein auf Knoten basierendes Zustandsautomatensystem.

RAG in Kombination mit einem Agenten ist es, der Bildungsprodukten ihren wahren Wert verleiht. Ohne Informationsabruf kann ein Agent nur auf Basis von Schulungsdaten handeln. Mit RAG kann der Agent Fragen zu Ihrem tatsächlichen Kursinhalt, Schülerdaten oder institutionellem Wissen beantworten.

Aufzeichnung der Abläufe ist keine Option. Veröffentlichen Sie keinen Agenten ohne LangSmith oder ein äquivalentes Tool, denn das Debuggen eines schleifenbasierten Agenten ohne Aufzeichnungen ist reines Raten, während mit solchen Tools die Ursachenanalyse in wenigen Minuten erledigt werden kann.

Fallstudie: Ein Support-Desk für Bootcamps

Es handelte sich um ein mittelgroßes Online-Coding-Bootcamp mit etwa 1.200 aktiven Studenten, die Kurse in Python, Datenwissenschaft und Webentwicklung belegten. Das Support-Team beantwortete wöchentlich mehr als 800 Fragen der Studenten, wobei rund 60 Prozent Wiederholungen zu Fristen, Feedback zu Projekten und der Suche nach Inhalten im Lehrplan waren.

Vor Einführung des Agenten kümmerten sich drei Vollzeitmitarbeiter um alles über eine gemeinsame E-Mail-Box. Die durchschnittliche Antwortzeit lag bei 6,2 Stunden, die Zufriedenheit der Studenten (CSAT) betrug 62 Prozent, und jeder Dozent verbrachte etwa 11 Stunden pro Woche mit administrativen Anfragen.

Das Team aus zwei Entwicklern entwickelte innerhalb von sechs Wochen einen LangGraph-Agenten mit vier Tools. Ein Tool suchte in den Kursmaterialien über RAG in der LMS-Wissensdatenbank. Ein anderes Tool prüfte den Fortschritt der Studenten über die LMS-API. Ein weiteres Tool berechnete Fristen anhand des Kurskalenders. Das letzte Tool leitete komplexe Anfragen mit vollständigem Kontext an einen Menschen weiter.

Nach 90 Tagen seit dem Start waren die erzielten Ergebnisse wie folgt:

• Der Assistent bewältigte 74 % der eingehenden Anfragen.
• Die durchschnittliche Reaktionszeit sank auf 8 Sekunden.
• Der CSAT stieg auf 81 %.
• Die Anfragen an den menschlichen Support nahmen um 52 % ab.
• Jeder Trainer sparte etwa 7 Stunden pro Woche ein.
• Die Entwicklungskosten wurden in etwa 4,5 Monaten wieder eingespielt.

Die bemerkenswerteste Erkenntnis betraf das Eskalationswerkzeug, das sich als wichtigstes Element des Sets herausstellte. Die Studierenden vertrauten dem Assistenten mehr, sobald klar war, dass er seine Grenzen kannte und die Aufgaben ordnungsgemäß weiterleitete. Die Gestaltung dieser Weiterleitung trug mehr zur Zufriedenheit bei als jede Verbesserung der Argumentationsfähigkeit.

Diese Zahlen stammen aus den eigenen Berichten des Teams, daher sollten sie als Veranschaulichung der erzielten Verbesserungen und nicht als Messgröße angesehen werden, die man unbedingt erreichen muss.

Vier häufige Fehler

Verwendung von AgentExecutor für komplexe Agenten

Er unterstützt keine bedingte Verzweigung, parallele Ausführung von Tools oder einen Zustand, der über verschiedene Gesprächsschritte hinweg erhalten bleibt – und das sind 2026 Standardanforderungen. Migrieren Sie zu LangGraph. Die Lernkurve ist anfangs steiler, doch Sie erhalten die volle Kontrolle über den Schlussfolgerungsprozess, und LangChains eigene Dokumentation weist mittlerweile auf LangGraph als Standard für alles Nicht-Einfache hin.

Fehlender Rekursionsschranken

Ohne eine recursion_limit kann ein verwirrter Agent endlos im Kreis laufen und dabei Tokens sowie Geld verbrauchen. Das Risiko steigt bei agenten, die stark auf Tools angewiesen sind, da ein einziger fehlgeschlagener Aufruf zu wiederholten Versuchen führen kann. Setzen Sie in der LangGraph-Kompilierkonfiguration recursion_limit=25 oder weniger ein und definieren Sie explizite Stoppsbedingungen in der Logik Ihrer Knoten, anstatt die Entscheidung dem Modell zu überlassen.

Vorzeitiges Überspringen der LangSmith-Überwachung

Wenn ein Agent eine falsche Antwort gibt, können Dutzende von Stellen der Fehlerquelle sein – ohne Spuren bleibt einem nur das Lesen der Endausgabe und Raten. Aktivieren Sie LangSmith bereits am ersten Tag, da es für Entwicklungszwecke kostenlos ist. Exportieren Sie LANGCHAIN_TRACING_V2=true sowie LANGCHAIN_API_KEY, bevor Sie die erste Zeile des Agentencodes schreiben – so werden Sie während Ihrer ersten Fehlersuchung dankbar sein.

Tools mit unklaren Dokumentationsstrings schreiben

Die Auswahl des Tools wird ausschließlich vom Modell bestimmt, das Ihre Dokumentation liest. Eine Angabe wie „erhält Benutzerdaten“ liefert ihm nichts, womit es arbeiten könnte, weshalb es das Tool zufällig aufruft oder gar nicht. Beschreiben Sie den Zweck des Tools, die von ihm aufgenommenen Eingaben sowie die Situationen, in denen es angewendet wird. Eine gute Beschreibung lautet: Holt die letzten fünf Prüfungsergebnisse eines Schülers aus der Datenbank des LMS für eine bestimmte student_id ab, um sie bei Fragen des Benutzers zu früheren Leistungen oder Prüfungsverläufen verwenden zu können.

Schnelle Antworten

Was bietet LangChain für Anfänger? Es handelt sich um ein Python-Framework, das Sprachmodelle mit Tools, Datenquellen und Speicher verbindet. Sie geben dem Modell eine Reihe von Tools, und es entscheidet selbst, welches zum Erreichen eines Ziels aufgerufen werden soll. Beginnen Sie mit den Einführungsunterlagen und einem einfachen Agenten zur Aufrufung von Tools, bevor Sie sich mit mehrschrittigen Workflows beschäftigen.

Ist LangChain besser als LlamaIndex für Agenten? Für allgemein einsetzbare Agenten mit Tools, Speicherfunktionen und Reasoning-Schleifen eignet sich LangChain in Kombination mit LangGraph besser. LlamaIndex ist eher auf die Suche nach Informationen und die Qualitätssicherung von Dokumenten ausgelegt, wobei viele Teams beide Tools nutzen.

Wie lange dauert es, einen ersten Agenten zu erstellen? Ein einfacher Agent mit einem einzigen Tool benötigt von einem Entwickler mit grundlegenden Python-Kenntnissen etwa zwei bis vier Stunden. Ein für die Produktion geeigneter Agent mit mehreren Tools, Speicherfunktionen, Fehlerbehandlung sowie LangSmith-Überwachungsmöglichkeiten dauert in der Regel ein bis drei Wochen – abhängig davon, wie unhandlich die APIs sind.

Was ist RAG und brauchen Sie es? Retrieval-augmented Generation ermöglicht es dem Agenten, Fragen zu Ihren eigenen Daten – wie Kursinhalten, Schülerakten oder PDF-Dateien – zu beantworten, indem er vor dem Verfassen einer Antwort relevante Teile abruft. Sie benötigen es immer dann, wenn der Agent etwas wissen muss, was nicht in den Trainingsdaten des Modells enthalten ist – was bei Lernprodukten fast immer der Fall ist.

Ersetzt LangGraph LangChain? Nein, es erweitert es. LangChain stellt die Grundkomponenten (Modelle, Tools, Speicher) bereit, während LangGraph statebasierte Graph-Orchestrierung für Schleifen, Verzweigungen und die Koordination mehrerer Agenten hinzufügt. Es ist der empfohlene Ansatz für jeden komplexeren Agenten im LangChain-Ökosystem.

Beginnen Sie klein

Man muss kein ML-Forscher oder Ingenieur in der Großtechnologiebranche sein, um Agenten zu entwickeln. Jemand mit grundlegenden Kenntnissen in Python kann mithilfe von LangGraph, LangSmith und einem klaren Prozess bereits am Wochenende einen funktionsfähigen Agenten erstellen. Anpassungsfähige Tutoren, LMS-Assistenten und Fortschrittscoaches sind alle erreichbar, und die entsprechenden Tools sind ausgereift genug für den Einsatz in der Produktion.

Die Teams, die erfolgreich sind, sind nicht jene mit den größten Modellen. Sie verstehen die Architektur von Agenten gut genug, um sinnvolle Werkzeugsets, zuverlässigen Speicher und ein fehlerfreies Funktionieren zu gestalten. Beginnen Sie mit einem Tool, einem Ziel und einem Agenten und iterieren Sie anschließend.