LangGraph 2026: Kontrolle über Multi-Agent-Workflows

Robin, Pexon Consulting | 6 Min. Lesezeit | 25.07.2026

TL;DR

LangGraph ist ein quelloffenes Framework von LangChain für zustandsbehaftete Multi-Agent-Workflows, die ihr als Graph aus Knoten und Kanten modelliert. Es gibt euch volle Kontrolle über komplexe Abläufe, mit Persistenz, Human-in-the-Loop und Checkpoints. Pexon bringt euren LangGraph-Prototyp mit Governance, Observability und echtem Betrieb in Produktion, als 6-Wochen-Pilot.

Warum die meisten Agenten-Projekte am Kontrollverlust scheitern

Der typische Weg: Jemand baut in zwei Wochen einen Agenten, der recherchiert, Tools aufruft und eine Antwort produziert. Die Demo funktioniert, alle sind begeistert. Dann kommt der zweite Kunde mit einem Sonderfall, der Agent läuft in eine Schleife, ruft dasselbe Tool fünfmal auf und niemand kann erklären, warum.

Das Problem ist nicht das Modell. Das Problem ist, dass der Ablauf nirgends explizit steht. Er versteckt sich in Prompts und in der Reihenfolge, in der ein High-Level-Framework die Schritte zufällig abarbeitet. Sobald ihr verzweigen, wiederholen oder einen Menschen einbinden müsst, wird aus dem eleganten Prototyp ein Berg aus If-Abfragen.

Unsere klare Position: Ab einer gewissen Komplexität braucht ihr den Kontrollfluss als Artefakt, das ihr lesen, testen und versionieren könnt. Genau das ist die Lücke, die LangGraph füllt.

Was LangGraph ist und wie der Graph funktioniert

LangGraph stammt von LangChain Inc. und steht unter MIT-Lizenz, mit über 30.000 Sternen im öffentlichen Repository. Es ist bewusst ein Low-Level-Framework: Ihr modelliert euren Agenten als gerichteten Graphen. Knoten sind Schritte, meist ganz normale Funktionen. Kanten sind Übergänge, die bedingt sein können. Über allem liegt ein gemeinsamer Zustand, den jeder Knoten liest und fortschreibt.

Der eigentliche Hebel ist die Persistenz. Ein Checkpointer speichert den Zustand nach jedem Schritt. Damit bekommt ihr drei Dinge, die im Produktivbetrieb den Unterschied machen: Wiederaufsatz nach einem Absturz, echtes Human-in-the-Loop über definierte Unterbrechungspunkte, und Zeitreise, also das Zurückspringen auf einen früheren Zustand zum Debuggen.

Der Reifegrad ist da. LangGraph 1.0 wurde am 22.10.2025 stabil freigegeben, ohne Breaking Changes gegenüber der bewährten Laufzeit. Die Linie läuft weiter, Version 1.2 kam am 11.05.2026. Wer heute startet, baut also nicht auf einem Moving Target.

# Installation der stabilen 1.0-Linie (MIT-Lizenz)
# pip install langgraph langchain

from langgraph.graph import StateGraph, END
from langgraph.checkpoint.memory import MemorySaver
from typing import TypedDict

# Der Zustand, den jeder Knoten liest und fortschreibt
class Zustand(TypedDict):
    frage: str
    antwort: str

# Ein Knoten ist eine ganz normale Funktion über dem Zustand
def recherche(state: Zustand) -> Zustand:
    # Hier stünde der eigentliche Tool- oder Modell-Aufruf
    state["antwort"] = f"Ergebnis für: {state['frage']}"
    return state

graph = StateGraph(Zustand)
graph.add_node("recherche", recherche)
graph.set_entry_point("recherche")
graph.add_edge("recherche", END)

# Der Checkpointer macht den Ablauf zustandsbehaftet und wiederaufsetzbar
app = graph.compile(checkpointer=MemorySaver())

# Die Thread-ID trennt parallele Läufe sauber voneinander
ergebnis = app.invoke(
    {"frage": "Wie viele Verträge laufen im Q3 aus?"},
    config={"configurable": {"thread_id": "kunde-42"}},
)
print(ergebnis["antwort"])

Der Code oben nutzt einen In-Memory-Checkpointer. In Produktion tauscht ihr den gegen eine Postgres-Anbindung, damit der Zustand einen Neustart überlebt. Das Muster bleibt gleich, und genau diese Trennung zwischen Ablauf-Logik und Ausführungs-Backend ist der Punkt, an dem LangGraph als Baustein in einem größeren AI-Engineering-Stack sauber passt.

LangGraph gegen CrewAI: Kontrolle gegen Geschwindigkeit

Hier greift der Zangenangriff. Auf der einen Seite stehen High-Level-Frameworks wie CrewAI, die euch in einer Handvoll Zeilen ein Team aus Rollen-Agenten geben. Das ist stark, wenn der Ablauf im Kern linear ist und ihr schnell einen Wert zeigen wollt. Wir haben die Unterschiede in unserem Vergleich zu CrewAI-Multi-Agent-Setups im Detail auseinandergenommen.

Auf der anderen Seite steht LangGraph, wenn der Ablauf verzweigt, Zyklen braucht, an definierten Stellen einen Menschen einbindet oder nach einem Fehler kontrolliert wiederaufsetzen muss. Der Preis für diese Kontrolle ist mehr Code und mehr Nachdenken vorab.

Wir raten zu einer ehrlichen Einordnung statt zu Framework-Religion: Startet mit dem einfachsten Werkzeug, das die Aufgabe löst. Wechselt auf LangGraph, sobald ihr merkt, dass ihr gegen ein High-Level-Framework ankämpft, um Verzweigungen oder Wiederaufsatz zu erzwingen. Der teurere Weg ist, monatelang eine High-Level-Abstraktion zu verbiegen, bis sie nichts mehr abstrahiert, sondern nur noch im Weg steht.

Vom Prototyp zum Betrieb: Governance und Observability

Die Kontrolle, die LangGraph euch im Ablauf gibt, müsst ihr im Betrieb spiegeln. Ein Graph, den niemand beobachten kann, ist im Fehlerfall genauso undurchsichtig wie eine Prompt-Kette. Drei Baustellen sehen wir bei fast jedem Kunden.

Erstens Observability. Jeder Knoten-Durchlauf gehört mit Eingabe, Ausgabe, Latenz und Token-Kosten protokolliert. Nur so findet ihr die Schleife, die euer Budget frisst, bevor die Rechnung kommt. Zweitens Zustands-Persistenz mit echter Datenbank statt Speicher, damit ein Neustart keinen laufenden Vorgang zerstört. Drittens Governance: Wer darf welchen Agenten anstoßen, welche Tools sind freigegeben, und an welcher Stelle muss ein Mensch bestätigen, bevor etwas Verbindliches passiert.

Das ist keine LangGraph-Schwäche, sondern der normale Abstand zwischen Demo und Produktivsystem. LangGraph liefert die Bausteine dafür mit, die Checkpoints und Unterbrechungspunkte sind genau die Ansatzpunkte. Sie zu einem betriebsfähigen System zu verdrahten, ist die Arbeit, die zwischen einem beeindruckenden Freitag-Nachmittag und einem System steht, auf das sich der Vertrieb am Montag verlässt.

Häufig gestellte Fragen

Wann sollten wir LangGraph statt CrewAI einsetzen?

Nehmt LangGraph, sobald euer Ablauf verzweigt, Zyklen braucht, an definierten Stellen einen Menschen einbindet oder nach Fehlern kontrolliert wiederaufsetzen muss. Für lineare, schnell zu zeigende Rollen-Teams ist ein High-Level-Framework oft die bessere erste Wahl. Der Wechsel lohnt, wenn ihr gegen die Abstraktion ankämpft.

Ist LangGraph produktionsreif oder noch experimentell?

Produktionsreif. Version 1.0 wurde am 22.10.2025 stabil und ohne Breaking Changes freigegeben, Version 1.2 folgte am 11.05.2026. Die Laufzeit war schon vor 1.0 in produktiven Systemen im Einsatz. Der Reifegrad ist also kein offener Punkt mehr, die Betriebs-Umgebung drumherum schon.

Was kostet ein LangGraph-Projekt bei Pexon?

Das Framework selbst ist quelloffen und unter MIT-Lizenz kostenlos. Die Kosten entstehen bei Entwicklung, Betrieb und Modell-Nutzung. Unser Einstieg ist der 6-Wochen-Pilot mit festem Umfang und festem Preis, der euren Prototyp betriebsfähig macht. Den konkreten Rahmen legen wir nach einem kurzen Erstgespräch fest.

Brauchen wir zwingend LangChain, um LangGraph zu nutzen?

Nein. LangGraph ist ein eigenständiges Framework für die Orchestrierung und funktioniert unabhängig. Ihr könnt LangChain-Komponenten einbinden, müsst es aber nicht, und könnt eure eigenen Tools und Modell-Aufrufe direkt in den Knoten verwenden. Das hält die Abhängigkeiten schlank.

Wie behalten wir bei komplexen Graphen die Kosten im Griff?

Über Observability pro Knoten und harte Grenzen. Protokolliert Token und Latenz je Schritt, setzt Rate-Limits und maximale Iterationen gegen Endlos-Schleifen, und definiert Unterbrechungspunkte, an denen ein Mensch teure Aktionen freigibt. Ohne diese Instrumentierung wird ein zyklischer Agent schnell zum unkalkulierbaren Kostenrisiko.

Nächster Schritt

Wenn euer Agenten-Prototyp läuft, aber die Frage nach Betrieb, Governance und Kosten unbeantwortet ist, sprecht mit uns über den konkreten Weg in Produktion.

Verwandte Themen