Beobachtetes Signal · 10. Mai 2026 · Technical Release · Quelle: Machine Learning Pills · Relevanz: 2/5 · Sentiment: Positiv
LangChain create_agent: ReAct-Agenten unkompliziert auf LangGraph erstellen
Dieser technische Newsletter erläutert den create_agent-Workflow von LangChain zur Bereitstellung eines produktionsbereiten ReAct-Agenten (Reasoning + Acting) auf Basis von LangGraph. Der Beitrag demonstriert minimale sowie erweiterte Beispiele (Toolless Sanity Check, mit @tool dekorierte Python-Funktionen, System-Prompts), beschreibt die vier Nachrichtenrollen (system, user, assistant, tool) und zeigt, wie sich das zugrundeliegende LangGraph über agent.get_graph() als Mermaid- oder ASCII-Diagramm inspizieren lässt. Zudem werden Modellbezeichnerkonventionen (provider:model), die Übergabe von Modellinstanzen für präzisere Steuerung, Vorteile des Prompt-Caching sowie praktische Hinweise zu Tool-Docstrings, Type Hints und Token-Kosten behandelt. Veröffentlichungsdatum: 10. Mai 2026.
Praktische Entwicklertools für LLM-Agenten und Agent-Runtimes sind für Conversational Assistants und Automatisierungen relevant, es handelt sich hierbei jedoch um ein technisches Tutorial und Feature-Update statt um einen marktverändernden Plattformwechsel.
Marktsignale zu LangChain in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren Polaris7-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- LangChain bietet eine create_agent-Funktion zur Erstellung von ReAct-Agenten mit LangGraph-Integration.
- Agenten-Interaktionen basieren auf Nachrichtenlisten mit vier Rollen: System, User, Assistant und Tool.
- Tools werden als einfache Python-Funktionen mit @tool-Dekorator definiert, wobei Docstrings und Type Hints das Modell steuern.
- agent.get_graph() gibt das zugrundeliegende LangGraph-Objekt zurück und rendert ein Mermaid-PNG oder ASCII-Diagramm.
- Modellbezeichner nutzen die Konvention provider:model (z. B. openai:gpt-4o-mini, anthropic:claude-sonnet-4-5-20250929).
Verknüpfte Unternehmen
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Einführung in KI-Agenten und Tools zur Erweiterung von LLMs
Rushank Savant hat am 3. Mai 2026 ein Entwickler-Tutorial veröffentlicht, das KI-Agenten erläutert und zeigt, wie Large Language Models über LangChain Zugriff auf externe Tools erhalten. Der Beitrag definiert einen Agenten als ein LLM, das eine ReAct-basierte Reasoning-Schleife (Thought → Action → Observation → Final Response) ausführt, und grenzt starre Chains von flexiblen, entscheidungsfähigen Agenten ab. Tools werden als über Python aufrufbare Funktionen beschrieben – darunter Tavily- und Google Search, Wikipedia, Python REPL sowie benutzerdefinierte APIs. Anhand eines LangChain-Codebeispiels wird demonstriert, wie Tools zusammengeführt, Prompt-Templates aus dem LangChain Hub geladen, ein ChatOpenAI-LLM (Modell: gpt-4o) initialisiert und Agenten über AgentExecutor ausgeführt werden. Der Artikel ist Teil einer achteiligen Tutorial-Serie zu LangChain und LangGraph und richtet sich an Entwickler, die agentische LLM-Workflows aufbauen.
Lokales RAG-System entwickelt sich mit LangGraph zu Agentic AI weiter
Ein Entwickler beschreibt die Umstellung eines lokal gehosteten RAG-Assistenten auf eine Agentic-AI-Architektur unter Verwendung von LangGraph. Der ursprüngliche Tech-Stack basiert auf Ollama, ChromaDB, LangChain und Docker. Das System nutzt einen gemeinsamen AgentState-Vertrag und implementiert drei spezialisierte Agenten: einen RAG-Agenten für die Dokumentationsrecherche, einen Diagnose-Agenten für die Fehlersuche mit LLM-Fallback sowie einen Eskalations-Agenten zur automatisierten Generierung strukturierter Support-Tickets bei Bedarf. Ein zentraler Orchestrator steuert Anfragen mithilfe eines Klassifizifiers über einen Zustandsgraphen. Der Artikel beleuchtet zentrale Design-Erkenntnisse wie die Fragilität von Klassifizierern, den Overhead bei der Embedding-Initialisierung sowie fest codierte Eskalationsschwellenwerte und empfiehlt, evolutionär mit RAG zu starten und Agenten bedarfsbasiert zu ergänzen.
LangGraph-Agenten als OpenAI-kompatible SSE-Streams ausgeben
Ein technischer Leitfaden demonstriert, wie ein LangGraph ReAct-Agent in einen OpenAI-kompatiblen Server-Sent Events-Stream (SSE) adaptiert wird. Der Beitrag zeigt eine Adapterfunktion zur Übersetzung des typisierten Event-Streams von LangGraph in präzise OpenAI-konforme chat.completion.chunk SSE-Nachrichten, einschließlich Rollen-Chunks, Token-Inhalten, Stop-Chunks und des data: [DONE]-Sentinels. Zudem wird die Implementierung eines einklappbaren <think>-Panels zur Visualisierung von Tool-Aufrufen für Open WebUI-Clients erläutert. Zu den behandelten Produktionsaspekten gehören die Fehlerbehandlung direkt im Stream sowie Fallback-Mechanismen für nicht-streamingfähige Modelle. Die Beispielimplementierung basiert auf LangGraph, LangChain und FastAPI.
Alle künftigen Signale zu LangChain & Wettbewerbern im Briefing erhalten
Verpassen Sie keine M&A-Transaktionen, Führungswechsel, Kunden-Etats oder Produkt-Launches mehr. Polaris7 überwacht über 20.000 Primärquellen rund um die Uhr und liefert evidenzbasierte Telemetrie direkt in Ihr wöchentliches Executive Briefing.
