0Pricing
AI Agents · Lektion

LangChain-Architektur: Modelle, Prompts, Chains

Die drei Bausteine: ChatModels, PromptTemplates und Chains, die diese miteinander verknüpfen.

LangChain-Architektur: Modelle, Prompts, Chains ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

Warum LangChain?

LangChain ist das beliebteste Python-Framework zum Erstellen von LLM-Anwendungen. Es bietet:

  • Adapter für jeden großen LLM-Anbieter
  • Lader und Parser für zahlreiche Datenquellen
  • Grundbausteine für Speicher, Agents und Chains
  • Integrationen für Vektorspeicher

Kritiker nennen es überladen, Befürworter schätzen seine Breite. Wir konzentrieren uns auf den stabilisierten Kern: LCEL.

Drei Kernkonzepte

  1. Modelle – LLMs und ChatModels, die Sie aufrufen
  2. Prompts – Vorlagen, die Nachrichten erzeugen
  3. Chains – Kompositionen, die Prompts → Modelle → Parser weiterleiten

Modelle

Eine einheitliche Schnittstelle über Anbieter hinweg:

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

openai_model = ChatOpenAI(model='gpt-4o-mini', temperature=0.2)
claude_model = ChatAnthropic(model='claude-sonnet-4-5')

resp = openai_model.invoke('Hello!')
print(resp.content)

Prompt-Vorlagen

Wiederverwendbare Prompts mit Variablen:

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ('system', 'You are a {role} assistant.'),
    ('user', '{question}')
])

messages = prompt.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(messages.to_messages())

Chains: Der Pipe-Operator

Kombinieren Sie einen Prompt, ein Modell und einen Parser mit |:

from langchain.schema.output_parser import StrOutputParser

chain = prompt | openai_model | StrOutputParser()
result = chain.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(result)

Ausgabe-Parser

Wandeln Sie die rohe Modellausgabe in Python-Typen um:

from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel

class Plan(BaseModel):
    steps: list[str]

parser = PydanticOutputParser(pydantic_object=Plan)
chain = prompt | model | parser

Runnables und das Runnable-Protokoll

Jedes Element einer Chain ist ein Runnable mit:

  • .invoke(input) — synchron
  • .ainvoke(input) — asynchron
  • .stream(input) — Token-Streaming
  • .batch(inputs) — parallele Batches

Der Pipe-Operator setzt sie zusammen.

Streaming

for chunk in chain.stream({'role': 'helpful', 'question': 'Tell a story.'}):
    print(chunk, end='', flush=True)

Batch

results = chain.batch([
    {'role': 'SQL', 'question': 'Q1'},
    {'role': 'SQL', 'question': 'Q2'}
])
# Runs in parallel.

Konfiguration zur Laufzeit

Überschreiben Sie Modellparameter pro Aufruf:

result = chain.invoke(
    {'role': 'helpful', 'question': '...'},
    config={'configurable': {'temperature': 0.0}}
)

LangChain Hub

Rufen Sie von der Community kuratierte Prompts ab:

from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')

Wann Sie LangChain NICHT verwenden sollten

Für sehr einfache Agents (ein Modellaufruf, ein Tool) ist LangChain überdimensioniert. Schreiben Sie den Aufruf direkt. Verwenden Sie LangChain, wenn Sie Komponierbarkeit, Wiederholungsversuche, Observability und getestete Integrationen benötigen.

Chain-Operator

Was bewirkt der Operator | in LangChain?

Zusammenfassung

Modelle + Prompts + Chains, verbunden durch |. Als Nächstes: Loader und Vektorspeicher im LangChain-Ökosystem.

Häufig gestellte Fragen

Ist die Lektion „LangChain-Architektur: Modelle, Prompts, Chains“ kostenlos?

Ja — der vollständige Text von „LangChain-Architektur: Modelle, Prompts, Chains“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „LangChain-Architektur: Modelle, Prompts, Chains“?

Die drei Bausteine: ChatModels, PromptTemplates und Chains, die diese miteinander verknüpfen. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um AI Agents zu starten?

Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.

Wie lange dauert die Lektion „LangChain-Architektur: Modelle, Prompts, Chains“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?

Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. LangChain-Architektur: Modelle, Prompts, Chains
  2. Loader, Splitter und Vektorspeicher
  3. LCEL (LangChain Expression Language)
  4. Eine RAG-Chain von Anfang bis Ende erstellen
← Zurück zu AI Agents