LangChain ist ein quelloffenes Framework für Python und JavaScript zum Bau von Anwendungen rund um Sprachmodelle. Harrison Chase veröffentlichte es im Oktober 2022 als knapp 800 Zeilen langes Python-Paket; heute steht ein Unternehmen mit dreistelliger Millionenbewertung dahinter.
Zusammenfassung
LangChain bündelt Bausteine, die beim Bau von LLM-Anwendungen immer wieder gebraucht werden: das Verketten mehrerer Modellaufrufe, die Anbindung externer Werkzeuge, die Suche in eigenen Dokumenten. Statt jede dieser Aufgaben von Grund auf zu programmieren, greifen Entwickler:innen auf vorgefertigte, austauschbare Komponenten zurück.
Aus dem ursprünglichen Ein-Personen-Projekt wurde binnen kurzer Zeit LangChain, Inc. mit Sitz in San Francisco, mitgegründet von Harrison Chase und Ankush Gola.
Begriffsgeschichte
Chase startete LangChain am 24. Oktober 2022, noch bei der Firma Robust Intelligence. Im April 2023 folgte eine Seed-Finanzierung von Benchmark, kurz darauf eine Runde von Sequoia Capital bei einer Bewertung von über 200 Millionen US-Dollar. Im Laufe von 2023 kam mit der LangChain Expression Language (LCEL) eine deklarative Syntax hinzu, mit der sich Komponenten über einen Pipe-Operator verketten lassen.
Februar 2024 brachte mit LangSmith eine Observability- und Debugging-Plattform für LLM-Anwendungen sowie eine Series-A-Finanzierung von 25 Millionen US-Dollar. Im Mai 2025 erreichte die LangGraph Platform für zustandsbehaftete Agenten-Workflows die allgemeine Verfügbarkeit, im Oktober 2025 erschienen LangChain und LangGraph jeweils in Version 1.0.
Methodische Grundlagen
Eine Chain verkettet mehrere Aufrufe – meist LLM-Aufrufe, aber auch andere Funktionen – zu einer festen Sequenz. Ein Agent geht darüber hinaus: Das Sprachmodell selbst entscheidet zur Laufzeit, welche Aktion als Nächstes sinnvoll ist, statt einem vorgegebenen Ablauf zu folgen. Seit Version 1.0 gilt dafür das Muster „Agent = Model + Harness”: ein minimaler, konfigurierbarer Rahmen aus Prompt, Tools und Middleware, technisch auf LangGraph aufgebaut.
Retrieval-Chains rufen vor dem eigentlichen Modellaufruf relevante Dokumente aus einem Vektorspeicher ab und fügen sie dem Prompt als Kontext bei – die klassische Retrieval-Augmented-Generation-Architektur. Prompt-Templates liefern dafür wiederverwendbare, parametrisierbare Vorlagen.
Anwendungsfelder
LangChain wird typischerweise für RAG-Systeme, Chatbots und agentische Anwendungen mit Werkzeugzugriff eingesetzt. Das GitHub-Repository verzeichnet über 144.000 Sterne, was das Projekt zu einem der meistgenutzten Frameworks im LLM-Ökosystem macht.
Gegenüber LlamaIndex, das enger auf Datenindexierung für RAG fokussiert ist, positioniert sich LangChain als breiteres Orchestrierungs-Framework für Chains, Agenten und Werkzeuge – viele Teams kombinieren beide je nach Stärke.
Kontroversen und Kritik
Wiederkehrende Kritik aus der Entwicklergemeinschaft betrifft die Zahl der Abstraktionsebenen: Für praktisch jeden Anwendungsfall bietet LangChain eine eigene Abstraktion, was einfache LLM-Pipelines unnötig verkompliziere. Verschachtelte Ebenen erschweren zudem das Debugging – Entwickler:innen müssten oft Framework-Code statt eigener Anwendungslogik nachvollziehen.
Weitere häufig genannte Punkte sind schnell wechselnde APIs und ein wachsender Orchestrierungs-Overhead gegenüber der direkten Nutzung einer Modell-API.
Stand 2026
Im Oktober 2025 erhielt LangChain, Inc. eine Series-B-Finanzierung von rund 100 bis 125 Millionen US-Dollar, angeführt von IVP, bei einer Bewertung im Bereich von 1,1 bis 1,25 Milliarden US-Dollar. Das Unternehmen positioniert sich zunehmend als integrierte Plattform aus Framework, Observability und Deployment statt als reine Programmbibliothek – mit LangGraph und LangSmith als kommerziellem Kern neben dem weiterhin offenen Basisframework.
Verwandte Begriffe
- Model Context Protocol – konkurrierender/ergänzender Standard zur Werkzeuganbindung
- Agentic AI – übergeordnetes Feld, dem LangChain-Agenten zuzurechnen sind
- Harness Engineering – die Praxis, die LangChains Agent-Muster seit 1.0 explizit aufgreift
- ReAct – Vorläuferverfahren für das Denk-Handel-Muster von LangChain-Agenten
Quellenangaben
- Wikipedia, o. J. LangChain. en.wikipedia.org.
- LangChain, 2023. LangChain Expression Language. langchain.com/blog.
- LangChain, o. J. LangChain Overview. docs.langchain.com/oss/python/langchain/overview.
- GitHub, 2026. langchain-ai/langchain. github.com/langchain-ai/langchain, Stand 17. August 2026.
- DataCamp, 2026. LangChain vs LangGraph vs LangSmith vs LangFlow: Key Differences Explained. datacamp.com/tutorial.