LangChain
Ein Open-Source-Framework zum Aufbau von LLM-Anwendungen – bietet Abstraktionen für Chains, Agents, Memory, Retrieval und Tool-Integration.
LangChain ist das führende Framework für LLM-Anwendungen: Chains, Agents, RAG, Memory – alles aus einer Hand.
Erklärung
LangChain strukturiert LLM-Entwicklung in Komponenten: Prompts, Models, Chains (verkettete Aufrufe), Agents (dynamische Tool-Nutzung), Memory (Kontext-Persistenz), Retrievers (Datenanbindung). Verfügbar für Python und JavaScript. LangGraph erweitert es für komplexe Agent-Workflows.
Relevanz für Marketing
De-facto Standard für LLM-Application-Development. Schneller Prototyping-to-Production-Path. Große Community, umfangreiches Ecosystem mit Integrationen.
Beispiel
Ein RAG-System mit LangChain: Document Loader → Text Splitter → Embedding → Vector Store → Retriever → LLM Chain → Output Parser. Alles in wenigen Zeilen Code.
Häufige Fallstricke
Schnelle API-Änderungen, Breaking Changes häufig. Abstraktion kann bei komplexen Use Cases im Weg stehen. Performance-Overhead gegenüber direkten API-Calls.
Entstehung & Geschichte
Harrison Chase gründete LangChain im Oktober 2022. Es wuchs explosionsartig und wurde 2023 eines der am schnellsten wachsenden Open-Source-Projekte. LangGraph folgte 2024 für komplexe Workflows.
Abgrenzung & Vergleiche
LangChain vs. LlamaIndex
LlamaIndex fokussiert auf RAG und Daten-Indexierung; LangChain ist breiter für allgemeine LLM-Anwendungen und Agents.
LangChain vs. Semantic Kernel
Semantic Kernel ist Microsofts Enterprise-fokussiertes SDK; LangChain ist Community-getrieben mit breiterer Adoption.