LangChain für Anfänger: Bauen Sie Ihren ersten KI-Agenten

LangChain ist das beliebteste Framework für die Entwicklung von KI-Anwendungen in der Produktion. Wenn Sie bereits direkt mit der OpenAI-API arbeiten, bringt LangChain Sie auf die nächste Stufe.

Was ist LangChain?

LangChain ist ein Open-Source-Framework in Python (und JavaScript), das die Entwicklung von Anwendungen mit LLMs vereinfacht. Es abstrahiert Prompts, Speicher und Tools mit wiederverwendbaren Komponenten.

Gelöste Probleme:

• KI zwischen Gesprächen Gedächtnis geben
• KI mit eigenen Dokumenten und Datenbanken verbinden
• Agenten mit Tools ausstatten (Websuche, Rechner, APIs)
• Mehrere KI-Aufrufe zu Pipelines verketten

Installation

pip install langchain langchain-openai langchain-community chromadb python-dotenv

.env Datei:

OPENAI_API_KEY=ihr-api-schlüssel-hier

Erste Kette: Einfaches Q&A

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

modell = ChatOpenAI(model="gpt-4o-mini", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system", "Du bist ein hilfreicher KI-Assistent. Gib präzise und knappe Antworten."),
    ("user", "{frage}")
])

kette = prompt | modell | StrOutputParser()
ergebnis = kette.invoke({"frage": "Was ist LangChain?"})
print(ergebnis)

Gedächtnis hinzufügen

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

modell = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_messages([
    ("system", "Du bist ein hilfreicher Assistent."),
    MessagesPlaceholder(variable_name="verlauf"),
    ("user", "{eingabe}")
])

kette = prompt | modell
verlauf = []

def chat(nachricht: str) -> str:
    antwort = kette.invoke({"verlauf": verlauf, "eingabe": nachricht})
    verlauf.append(HumanMessage(content=nachricht))
    verlauf.append(AIMessage(content=antwort.content))
    return antwort.content

print(chat("Hallo, ich heiße Klaus"))
print(chat("Wie heiße ich?"))  # Erinnert sich!

RAG-System: KI antwortet aus Ihren Dokumenten

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

dokumente = [
    Document(page_content="LearnGeni bietet 30 KI-Leitfäden für je 5$ an."),
    Document(page_content="Nutzer haben nach dem Kauf lebenslangen Zugang."),
]

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(dokumente, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template("""
Beantworte anhand des Kontexts:

Kontext: {kontext}
Frage: {frage}
""")

modell = ChatOpenAI(model="gpt-4o-mini")
kette = (
    {"kontext": retriever, "frage": RunnablePassthrough()}
    | prompt
    | modell
)

ergebnis = kette.invoke("Was kostet ein LearnGeni-Leitfaden?")
print(ergebnis.content)

Ihren ersten Agenten mit Tools erstellen

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool

@tool
def wetter_abrufen(stadt: str) -> str:
    """Ruft das Wetter einer Stadt ab."""
    return f"Wetter in {stadt}: 18°C, sonnig"

@tool
def berechnen(ausdruck: str) -> str:
    """Berechnet einen mathematischen Ausdruck."""
    try:
        return str(eval(ausdruck))
    except:
        return "Berechnungsfehler"

tools = [wetter_abrufen, berechnen]
modell = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system", "Du bist ein hilfreicher Assistent mit Werkzeugen."),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

agent = create_tool_calling_agent(modell, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

ergebnis = executor.invoke({"input": "Wie ist das Wetter in Berlin? Und was ist 15 × 23?"})
print(ergebnis["output"])

LangChain von Grund auf meistern? Der vollständige Leitfaden von LearnGeni enthält echte Projekte und den besten Code-Patterns von 2026. Alle Leitfäden ansehen.