Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
LangChain und LangGraph
LangChainist eines der etabliertesten Frameworks im agentischen KI-Ökosystem. LangGrapherweitert seine Funktionen, um komplexe, zustandsbehaftete Agenten-Workflows zu unterstützen, wie im Blog beschrieben. LangChain
Hauptmerkmale von und LangChainLangGraph
LangChainund LangGraph beinhalten die folgenden Hauptmerkmale:
-
Komponenten-Ökosystem — Umfangreiche Bibliothek mit vorgefertigten Komponenten für verschiedene Funktionen autonomer Agenten, die die schnelle Entwicklung spezialisierter Agenten ermöglicht. Weitere Informationen finden Sie in der LangChain-Dokumentation
. -
Auswahl von Foundation-Modellen — Support für verschiedene Foundation-Modelle, darunter Anthropic Claude, Amazon Nova-Modelle (Premier, Pro, Lite und Micro) auf Amazon Bedrock und andere für unterschiedliche Argumentationsfähigkeiten. Weitere Informationen finden Sie in der Dokumentation unter Eingaben und Ausgaben
. LangChain -
LLM-API-Integration — Standardisierte Schnittstellen für mehrere Large Language Model (LLM) -Dienstanbieter, darunter Amazon Bedrock und andereOpenAI, für eine flexible Bereitstellung. Weitere Informationen finden Sie unter LLMs
in der LangChain-Dokumentation. -
Multimodale Verarbeitung — Integrierte Unterstützung für Text-, Bild- und Audioverarbeitung, um umfangreiche multimodale autonome Interaktionen mit Agenten zu ermöglichen. Weitere Informationen finden Sie in der Dokumentation unter Multimodalität.
LangChain -
Graphbasierte Workflows — LangGraph ermöglichen die Definition komplexer Verhaltensweisen autonomer Agenten als Zustandsmaschinen und unterstützen so eine ausgeklügelte Entscheidungslogik. Weitere Informationen finden Sie in der Ankündigung von LangGraphPlatform GA
. -
Speicherabstraktionen — Mehrere Optionen für die Kurz- und Langzeitspeicherverwaltung, was für autonome Agenten, die den Kontext im Laufe der Zeit beibehalten, unerlässlich ist. Weitere Informationen finden Sie in der Dokumentation unter So fügen Sie Chatbots Speicher hinzu
. LangChain -
Tool-Integration — Umfangreiches Ökosystem von Tool-Integrationen für verschiedene Dienste und Erweiterung der APIs Funktionen autonomer Agenten. Weitere Informationen finden Sie in der LangChain Dokumentation unter Tools
. -
LangGraph Plattform — Verwaltete Bereitstellungs- und Überwachungslösung für Produktionsumgebungen, die autonome Agenten mit langer Laufzeit unterstützt. Weitere Informationen finden Sie in der Ankündigung von LangGraphPlatform GA
.
Wann sollte man verwenden LangChain und LangGraph
LangChainund LangGraph eignen sich besonders gut für Szenarien mit autonomen Agenten, darunter:
-
Komplexe, mehrstufige Argumentationsabläufe, die eine ausgeklügelte Orchestrierung für autonome Entscheidungen erfordern
-
Projekte, die Zugang zu einem großen Ökosystem vorgefertigter Komponenten und Integrationen für vielfältige autonome Funktionen benötigen
-
Teams mit vorhandener Infrastruktur und Fachwissen Python auf Basis von maschinellem Lernen (ML), die autonome Systeme aufbauen möchten
-
Anwendungsfälle, die eine komplexe Statusverwaltung für lang andauernde autonome Agentensitzungen erfordern
Implementierungsansatz für und LangChainLangGraph
LangChainund LangGraph bieten einen strukturierten Implementierungsansatz für Unternehmensbeteiligte, wie in der LangGraphDokumentation
-
Definieren Sie ausgefeilte Workflow-Diagramme, die Geschäftsprozesse darstellen.
-
Erstellen Sie mehrstufige Argumentationsmuster mit Entscheidungspunkten und bedingter Logik.
-
Integrieren Sie multimodale Verarbeitungsfunktionen für den Umgang mit unterschiedlichen Datentypen.
-
Implementieren Sie die Qualitätskontrolle mithilfe integrierter Überprüfungs- und Validierungsmechanismen.
Dieser grafisch gestützte Ansatz ermöglicht es Geschäftsteams, komplexe Entscheidungsprozesse als autonome Workflows zu modellieren. Die Teams haben einen klaren Überblick über jeden Schritt des Argumentationsprozesses und können Entscheidungswege überprüfen.
Ein Beispiel aus der Praxis für und LangChainLangGraph
Vodafonehat autonome Agenten implementiert, die LangChain (undLangGraph) verwenden, um seine Workflows für Datentechnik und Betrieb zu verbessern, wie in der Fallstudie LangChain Enterprise
Die Vodafone Implementierung verwendet LangChain modulare Dokumentenlader, Vektorintegration und Unterstützung für mehrere LLMs (, LLaMA 3 undGemini), um diese Pipelines OpenAI schnell zu prototypisieren und zu vergleichen. Anschließend strukturierten sie die Orchestrierung mehrerer Agenten durch den Einsatz modularer Unteragenten. LangGraph Diese Agenten führen Aufgaben zur Erfassung, Verarbeitung, Zusammenfassung und Argumentation durch. LangGraphhaben diese Agenten APIs in ihre Cloud-Systeme integriert.
