AI Agents · Lektion

Warum Graphen flache Chains übertreffen

Echte Agents benötigen Schleifen, Wiederholungen und Bedingungen – DAGs und Graphen bilden ab, was Chains nicht können.

Warum Graphen flache Chains übertreffen 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.

Wo Chains an ihre Grenzen stoßen

LCEL-Chains eignen sich hervorragend für lineare Abläufe: A -> B -> C. Schwierigkeiten entstehen, wenn Sie Folgendes benötigen:

Schleifen (wiederholen, bis der Vorgang erfolgreich ist)
Bedingte Verzweigungen (abhängig vom Zustand zwischen A und B entscheiden)
Pausen mit Beteiligung eines Menschen
Persistenten Zustand über mehrere Aufrufe hinweg

Echte Agents sind Graphen

Agents treffen Schritt für Schritt Entscheidungen. Ein echter Agent könnte:

Planen
Nach Informationen suchen
Wenn Informationen gefunden wurden, eine Antwort entwerfen; andernfalls erneut suchen
Validieren
Wenn die Antwort ungültig ist, sie überarbeiten; andernfalls zurückgeben

Das ist ein Graph, keine Linie.

LangGraph kennenlernen

LangGraph (vom LangChain-Team) ermöglicht es Ihnen, Agents als Graphen zu definieren:

Nodes — Funktionen, die den Zustand lesen und aktualisieren
Edges — welcher Node als Nächstes ausgeführt wird
State — ein gemeinsam verwendetes, persistentes Dict

Nodes Are Just Functions

from langgraph.graph import StateGraph

class AgentState(TypedDict):
    messages: list
    plan: str
    answer: str

def plan_step(state: AgentState) -> AgentState:
    plan = generate_plan(state['messages'])
    return {'plan': plan}

Edges Connect Nodes

from langgraph.graph import StateGraph, END

graph = StateGraph(AgentState)
graph.add_node('plan', plan_step)
graph.add_node('search', search_step)
graph.add_node('answer', answer_step)

graph.set_entry_point('plan')
graph.add_edge('plan', 'search')
graph.add_edge('search', 'answer')
graph.add_edge('answer', END)

app = graph.compile()

Running the Graph

result = app.invoke({'messages': [{'role': 'user', 'content': 'What is RAG?'}]})
print(result['answer'])

Zustandsaktualisierungen werden zusammengeführt

Wenn ein Node ein partielles Dict zurückgibt, führt LangGraph es mit dem Zustand zusammen. Sie müssen nicht in jedem Schritt den gesamten Zustand schreiben.

Bedingte Verzweigungen

Verwenden Sie add_conditional_edges, um abhängig vom Zustand weiterzuleiten:

def needs_more_info(state):
    if state['confidence'] < 0.7:
        return 'search'
    return 'answer'

graph.add_conditional_edges('plan', needs_more_info, {
    'search': 'search',
    'answer': 'answer'
})

Loops Are Just Edges Back

graph.add_edge('search', 'plan')   # loop back to planner
# The planner decides if more search is needed.

Visualisierung

LangGraph generiert Mermaid-Diagramme Ihres Graphen — ideal zum Debuggen der Struktur:

from IPython.display import Image
Image(app.get_graph().draw_mermaid_png())

Im Vergleich zu selbst geschriebenen While-Schleifen

Sie könnten dies mit einer Python-While-Schleife umsetzen. LangGraph bietet zusätzlich:

Explizite Graphstruktur (visualisierbar)
Integriertes Checkpointing
Streaming von Zustandsaktualisierungen
Grundelemente für Human-in-the-Loop

LangGraph + LCEL

Nodes können beliebige aufrufbare Objekte sein — auch LCEL-Chains. Kombinieren Sie sie nach Bedarf:

summarise_chain = prompt | model | parser

def summarise_node(state):
    return {'summary': summarise_chain.invoke(state['text'])}

Wann Sie einen Graphen verwenden sollten

Welches Szenario profitiert am meisten von LangGraph gegenüber einer flachen LCEL-Chain?

Zusammenfassung

Graphen sind Chains überlegen, wenn Sie Schleifen, Verzweigungen, Persistenz oder Human-in-the-Loop benötigen. LangGraph liefert Ihnen die dafür erforderliche Struktur.

Häufig gestellte Fragen

Ist die Lektion „Warum Graphen flache Chains übertreffen“ kostenlos?

Ja — der vollständige Text von „Warum Graphen flache Chains übertreffen“ 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 „Warum Graphen flache Chains übertreffen“?

Echte Agents benötigen Schleifen, Wiederholungen und Bedingungen – DAGs und Graphen bilden ab, was Chains nicht können. 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 „Warum Graphen flache Chains übertreffen“?

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

← Zurück zu AI Agents