LangGraph im Test 2026: Funktionen, Preise, Alternativen

Wer hat LangGraph entwickelt, und wie wurde es zu einem eigenen Produkt?

Was ist LangGraph?

• Zustand: ein einzelnes, typisiertes Objekt (üblicherweise ein Python-TypedDict), das jeder Knoten liest und beschreibt, sodass der gesamte Graph eine gemeinsame Quelle der Wahrheit über den bisherigen Verlauf hat
• Knoten und Kanten: Knoten sind einfache Funktionen, die den aktuellen Zustand entgegennehmen und Aktualisierungen dafür zurückgeben; Kanten (einschließlich bedingter Kanten) entscheiden basierend auf diesem Zustand, welcher Knoten als Nächstes ausgeführt wird
• Checkpointing und Persistenz: ein austauschbarer Checkpointer (ein In-Memory-Saver für die Entwicklung oder ein datenbankgestützter wie Postgres für die Produktion) speichert den Zustand des Graphen nach jedem Schritt, verknüpft mit einer Thread-ID, sodass ein Lauf genau dort pausieren und fortsetzen kann, wo er aufgehört hat
• Human-in-the-Loop: Die Funktion interrupt() pausiert die Ausführung innerhalb eines Knotens und gibt die Kontrolle an den aufrufenden Code zurück; das Fortsetzen mit Command(resume=...) setzt denselben Graphenlauf genau an diesem Punkt fort — so implementiert LangGraph Freigabeschritte, ohne den Zustand zu verlieren
• Multi-Agenten- und hierarchische Graphen: Da ein Knoten selbst einen kompilierten Untergraphen aufrufen kann, unterstützt LangGraph Einzel-Agenten-, Multi-Agenten- und hierarchische (Supervisor-plus-Worker-)Architekturen mit denselben Grundbausteinen
• LangGraph Studio: ein optionales visuelles Tool zum Inspizieren und schrittweisen Durchlaufen eines laufenden Graphen, getrennt von der Kernbibliothek

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

class State(TypedDict):
    topic: str
    draft: str

def write_draft(state: State) -> dict:
    return {"draft": f"Draft about {state['topic']}"}

def review_draft(state: State) -> dict:
    return {"draft": state["draft"] + " (reviewed)"}

builder = StateGraph(State)
builder.add_node("write", write_draft)
builder.add_node("review", review_draft)
builder.add_edge(START, "write")
builder.add_edge("write", "review")
builder.add_edge("review", END)

graph = builder.compile(checkpointer=MemorySaver())
result = graph.invoke(
    {"topic": "local LLMs"},
    config={"configurable": {"thread_id": "1"}},
)
print(result["draft"])

Wie viel kostet LangGraph?

• LangGraph (die Bibliothek): für immer kostenlos unter der MIT-Lizenz, für Python und JavaScript/TypeScript, selbst gehostet oder in jede Anwendung eingebettet
• Eigene Agenten selbst hosten: kompilierte LangGraph-Graphen können auf eigenen Servern mit eigenem Checkpointer (z. B. Postgres) zu null Kosten für LangChain Inc. betrieben werden — keine Lizenzgebühr für selbst verwalteten Produktionsbetrieb
• LangSmith Developer-Stufe: 0 $ pro Sitz und Monat, ein Sitz, bis zu 5.000 Basis-Traces pro Monat, danach nutzungsabhängig — enthält kein verwaltetes Deployment
• LangSmith Plus-Stufe: 39 $ pro Sitz und Monat, unbegrenzte Sitze, bis zu 10.000 Basis-Traces pro Monat, inklusive einer kostenlosen kleinen Serverless-LangGraph-Bereitstellung sowie Zugang zu abrechenbarer Deployment-, Engine- und verwandter Infrastruktur
• LangSmith Enterprise: individuelle Preise, ergänzt um Self-Hosted-/Hybrid-Deployment-Optionen und individuelle SLAs
• Deployment-Nutzung über das enthaltene Kontingent hinaus wird separat von der Trace-Nutzung abgerechnet: Rechenleistung in LCUs (1 LCU = 1,50 $) und Datenbanknutzung in LSUs (1 LSU = 1,00 $), pro vCPU-Stunde und GiB-Stunde
• Was bis 2025 als „LangGraph Platform" vermarktet wurde, wird heute als LangSmith Deployment abgerechnet — es gibt keine separate LangGraph-Platform-Preisliste zum Budgetieren; es ist ein Posten innerhalb eines LangSmith-Plans

Wie installiert und startet man mit LangGraph?

1. 1
   Paket installieren: pip install -U langgraph (Python) oder npm install @langchain/langgraph (JavaScript/TypeScript).
2. 2
   API-Schlüssel des Modellanbieters als Umgebungsvariable setzen (z. B. OPENAI_API_KEY) — LangGraph stellt selbst keinen Modellzugriff bereit oder vermittelt ihn; das gewählte Modell wird innerhalb eines Knotens aufgerufen.
3. 3
   Ein Zustandsschema definieren (ein TypedDict oder Ähnliches), daraus einen StateGraph bauen, Knoten mit add_node registrieren und sie mit add_edge oder einer bedingten Kante verbinden.
4. 4
   Den Graphen mit .compile() kompilieren und dabei einen checkpointer übergeben (ein In-Memory-MemorySaver für die Entwicklung oder einen datenbankgestützten für die Produktion), damit der Zustand über Schritte und Prozess-Neustarts hinweg erhalten bleibt.
5. 5
   In jedem Knoten, an dem eine menschliche Entscheidung vor dem Fortfahren nötig ist, interrupt() verwenden und den pausierten Lauf mit einem Command(resume=...) auf derselben Thread-ID fortsetzen.
6. 6
   Die offizielle LangGraph-Dokumentation lesen und das GitHub-Repository für die aktuelle API-Referenz und den JavaScript/TypeScript-Schnellstart durchsehen.
7. 7
   Optional zu LangSmith Deployment bereitstellen oder den kompilierten Graphen hinter einem eigenen API-Server selbst hosten, sobald Produktions-Hosting statt eines lokalen Laufs benötigt wird.

Für wen eignet sich LangGraph?

Wann sollte man LangGraph NICHT nutzen?

• Ein Workflow, der immer dieselbe feste Schrittfolge einmal durchläuft und ein Ergebnis zurückgibt — eine einfache Funktionsaufruf-Kette oder LangChains create_agent deckt das mit weniger Code ab
• Ein Team, das ein rollenbasiertes Denkmodell möchte — benannte Agenten mit Personas, Zielen und delegierten Teilaufgaben — statt in expliziten Knoten und Kanten zu denken; CrewAI ist um diese Abstraktion herum konzipiert
• Ein Team, das noch nicht im LangChain-Ökosystem investiert ist, den kleinstmöglichen Abhängigkeits-Fußabdruck möchte und Zustand sowie Wiederholungen lieber manuell verwaltet
• Ein Projekt, dessen Hauptbedarf Multi-Agenten-Konversationsmuster sind (Agenten, die in einer Chat-Schleife die Ausgabe des jeweils anderen diskutieren oder überprüfen) statt eines expliziten Kontrollfluss-Graphen — AutoGen ist um dieses Muster herum gebaut
• Stattdessen LangGraph nutzen, wenn der Workflow tatsächlich Zyklen, bedingte Verzweigungen, Pausenbedarf für menschliche Eingaben hat oder einen Neustart mitten in der Aufgabe überstehen muss

LangGraph vs. Alternativen

Häufige Fehler bei der Bewertung von LangGraph

Häufig gestellte Fragen

Quellen

Weiterführende Artikel

• LangChain im Test: Funktionen, Preise, Alternativen — das allgemeine Framework, dessen create_agent-Abstraktion von LangGraphs Runtime angetrieben wird.
• CrewAI im Test: Rollenbasiertes Multi-Agenten-Framework — eine rollenbasierte Alternative für Teams, die benannte Agenten mit Zielen statt eines expliziten Zustandsgraphen möchten.
• AutoGen im Test: Multi-Agenten-Konversations-Framework — Microsoft Researchs konversationsbasierte Alternative für Multi-Agenten-Systeme.
• Local LLM Software-Verzeichnis — der vollständige Katalog lokaler KI-Tools, zu dem dieser Artikel gehört, einschließlich der Einordnung von LangGraph unter den Agenten-Frameworks.
• Langflow im Test: Visueller LangChain-Builder — eine visuelle Drag-and-drop-Oberfläche zum Bau von LangChain- und LangGraph-Abläufen ohne jeden Graphen von Hand zu schreiben.