Das Lang-Ökosystem entschlüsselt

Fünf Produkte, ein Präfix

Der Begriff LangChain wird häufig als Sammelbegriff für einen ganzen Werkzeugkasten verwendet: das Framework, die Agenten-Runtime, den visuellen Builder und das Monitoring. Dahinter stehen Produkte, die unterschiedliche Aufgaben lösen, von unterschiedlichen Anbietern kommen und unterschiedlich lizenziert sind. Das gemeinsame Präfix verstärkt den Eindruck einer Familie, sagt aber nichts über den Anbieter: Von den fünf bekanntesten Lang-Werkzeugen kommen drei von LangChain Inc., eines von IBM und eines von einem eigenständigen Unternehmen.

Die Unterscheidung hat praktische Folgen. Die Lizenzbewertung fällt anders aus, wenn eine der Schichten ein kommerzielles SaaS-Produkt ist. Und die Werkzeugwahl fällt anders aus, wenn klar ist, welches Werkzeug für Prototypen gedacht ist und welches für den Produktivbetrieb. Diese Lesson sortiert die Landkarte einmal komplett.

Die Landkarte

Die Umkehrung

Bis zu den 1.0-Versionen war LangGraph eine Erweiterung von LangChain für komplexe Agenten. Seitdem ist das Verhältnis umgekehrt: LangGraph ist die Runtime, die Ausführungsschicht mit Zustand, Checkpoints und Kontrollfluss. LangChain sitzt darüber als High-Level-Schicht. Die Funktion create_agent baut in wenigen Zeilen einen Agenten und läuft unter der Haube auf LangGraph.

Für die Praxis heißt das: Die Entscheidung lautet nicht LangChain oder LangGraph, sondern auf welcher Ebene du einsteigst.

Wann du eine Ebene tiefer gehst

create_agent trägt, solange der Agent linear arbeiten darf: Anfrage rein, Werkzeuge nutzen, Antwort raus. Sobald der Prozess Kontrolle braucht, wechselst du auf die LangGraph-Ebene und modellierst ihn als Graphen mit explizitem Zustand. Vier Signale zeigen dir den Wechselpunkt:

• Freigaben: Ein Mensch muss zwischendrin entscheiden (Human-in-the-Loop)
• Fehlertoleranz: Ein Fehler soll nicht den ganzen Lauf kosten (Checkpoints, gezieltes Wiederaufsetzen)
• Arbeitsteilung: Mehrere Agenten übergeben sich Aufgaben (Handoffs)
• Nachvollziehbarkeit: Jeder Schritt muss auditierbar sein

Genau diese Eigenschaften machen LangGraph im Unternehmens-Einsatz interessant. Agenten laufen nicht frei, sondern als definierte Zustandsautomaten. Was der Agent darf, steht im Graphen, nicht nur im Prompt.

Namensverwandt, nicht firmenverwandt

LangFlow ist ein visueller Builder: KI-Pipelines entstehen per Drag-and-drop im Browser, von RAG-Flüssen bis zu Agenten. Es startete als eigenständiges Open-Source-Projekt der Firma Logspace, wurde von DataStax übernommen und gehört heute zu IBM, wo es ins watsonx-Umfeld eingebaut wird. Mit LangChain Inc. verbinden es der Namensanfang und die Tatsache, dass es unter der Haube LangChain-Komponenten nutzt, aber keine Firmenzugehörigkeit.

Was visuelle Builder leisten, und wo sie enden

Visuelle Builder haben eine klare Stärke: Fachbereiche können Logik bauen und testen, ohne Code zu schreiben, und eine Idee wird in Stunden sichtbar statt in Wochen. Das macht sie für Innovationsphasen und Validierung wertvoll. Ihre Grenzen liegen bei den Anforderungen, die den Produktivbetrieb ausmachen:

Der reife Umgang damit ist ein definierter Übergabepunkt: Was im Builder entsteht, ist eine Skizze. Sobald ein Flow produktiv werden soll, überführt die IT ihn in Code. Ohne diesen vorab festgelegten Punkt laufen produktive Prozesse irgendwann in einem Werkzeug, das sich schlecht versionieren, testen und debuggen lässt.

Was Observability hier heißt

Sobald eine KI-Anwendung produktiv läuft, brauchst du Antworten auf Fragen wie: Welcher Prompt ging wann an welches Modell? Was kam zurück, was hat es gekostet, wo treten Fehler auf? Das ist Tracing, Debugging und Evaluation, zusammengefasst Observability. Warum diese Schicht zum Produktivbetrieb gehört, vertieft die Lesson Messen statt raten.

LangSmith ist die Antwort von LangChain Inc. auf diese Fragen: die tiefste Integration in LangChain und LangGraph, Tracing ohne Zusatzaufwand, dazu inzwischen das Deployment von Agenten. Aber es ist ein kommerzielles Produkt. Die Client-SDKs sind offen, das Backend ist geschlossen, und bei Cloud-Nutzung verlassen Prompts und Firmendaten das eigene Netz.

Das Muster dahinter

Das ist kein LangChain-Spezifikum, sondern das verbreitete Geschäftsmodell von KI-Ökosystemen: Die Frameworks sind MIT-offen, weil Verbreitung den Standard setzt. Die Plattform-Dienste drumherum, also Tracing, Deployment und Hosting, sind das Geschäft. Die Lizenzfrage stellt sich deshalb pro Schicht, nicht pro Ökosystem.

Die Open-Source-Alternativen

Die Entscheidung ist am Ende eine Datenfrage, keine Feature-Frage: Dürfen Prompts und Firmendaten zu einem externen SaaS-Anbieter? Wenn nein, ist Langfuse im eigenen Rechenzentrum der etablierte Weg. Die Traces bleiben im Haus, das Tooling bleibt vollwertig.

Die vier Schichten aus Step 1 sind mehr als eine Landkarte für das Lang-Ökosystem. Sie sind ein Raster, in das sich jedes Framework einsortieren lässt, das dir begegnet. Die Zuordnung zeigt, mit welchem etablierten Werkzeug ein neuer Name konkurriert und welche Aufgabe er tatsächlich löst.

Die Philosophien dahinter

Interessant wird es bei der Orchestrierungs-Schicht, denn dort unterscheiden sich die Alternativen nicht in Features, sondern in der Philosophie. Die Wahl ist eine Antwort auf die Frage: Wie viel Kontrolle willst du, und in welcher Form?

• LangGraph: volle Kontrolle über jeden Zustandsübergang. Du modellierst den Prozess explizit als Graph.
• CrewAI: Team-Metapher. Du beschreibst Rollen und Aufgaben, das Framework koordiniert die Zusammenarbeit.
• OpenAI Agents SDK: die dünnste Abstraktion. Wenige Grundbausteine, Agenten übergeben sich Arbeit per Handoff.
• PydanticAI: Typsicherheit als Vertrag. Ein- und Ausgaben sind typisiert und werden validiert.
• Microsoft Agent Framework: der Anschluss an den Haus-Stack für .NET- und Microsoft-Umgebungen.

Für Teams im TypeScript- und Web-Stack gilt eine andere Landkarte: Dort sind AI SDK und Mastra die üblichen Werkzeuge. Diese Welt behandelt die Lesson Der Stack hinter einer KI-App.

Fünf Fragen

1. Was baust du? Standard-RAG oder Assistent: die High-Level-Ebene reicht. Prozess-Agent mit Verantwortung: Graph-Ebene.
2. Wer baut? Der Fachbereich validiert Ideen: visueller Builder, mit definiertem Übergabepunkt. Die IT baut produktiv: Code.
3. Muss es auditierbar sein? Freigaben, Checkpoints und nachvollziehbare Zustände sprechen für die Graph-Ebene, egal welches Framework.
4. Wo dürfen die Daten hin? Self-Hosting-Pflicht heißt Langfuse statt LangSmith, und generell: jede Cloud-Komponente einzeln prüfen.
5. Welche Sprache spricht dein Haus? Python: die Lang-Welt und ihre Nachbarn. .NET: Microsoft Agent Framework. TypeScript: die Web-Stack-Landkarte.

Die Landkarte, komplett

Damit ist die Landkarte komplett: fünf Produkte, vier Schichten, drei Anbieter und ein Geschäftsmodell-Muster, das auch in anderen KI-Ökosystemen wiederkehrt. Die fünf Fragen machen daraus eine Entscheidungshilfe für dein konkretes Vorhaben.