LangChain ist älter als ChatGPT. Harrison Chase legte das Repository am 17. Oktober 2022 als Nebenprojekt an, während er beim ML-Startup Robust Intelligence arbeitete – sechs Wochen bevor ChatGPT erschien und „LLMs mit Werkzeugen und Daten verbinden“ zum Problem der gesamten Branche machte. Das richtige Timing machte LangChain zum Standard: Als plötzlich alle Prompt-Vorlagen, Retriever und Tool-Aufrufe brauchten, gab es bereits eine Bibliothek mit einem eigenen Baustein für jeden Zweck.
Für eine Open-Source-Bibliothek sind die Zahlen ungewöhnlich. Im Frühjahr 2023 wurde aus dem Projekt ein Unternehmen: mit einer Seed-Finanzierung von Benchmark und einer Series A unter Führung von Sequoia. Im Oktober 2025 nahm LangChain unter Führung von IVP 125 Millionen Dollar bei einer Bewertung von 1,25 Milliarden Dollar auf. Das Unternehmen meldete zusammen 90 Millionen monatliche Downloads von langchain und langgraph sowie den Einsatz bei 35 Prozent der Fortune-500-Unternehmen. Das Python-Repository zählt inzwischen mehr als 146.000 GitHub-Sterne. LangChain war zudem nie auf Python beschränkt: LangChain.js gibt es seit Anfang 2023 – relevant für Produkte auf Node.js und TypeScript.
Zugleich wurde LangChain zum wohl meistkritisierten Framework der KI-Entwicklung. Die frühen Versionen verpackten alles – Prompts, Chains, Agents und Memory – in Abstraktionsschichten. Viele Teams stellten fest, dass sie das Framework statt ihres Produkts debuggen mussten; manche entfernten es öffentlich aus ihrem Stack. Das Team reagierte: LangChain 1.0, veröffentlicht am 22. Oktober 2025, wurde schlanker und klarer ausgerichtet. Der Kern bietet jetzt einen Einstiegspunkt – createAgent in TypeScript, create_agent in Python – auf der LangGraph-Laufzeit, mit Middleware-Hooks für Modell- und Tool-Aufrufe. Bis Version 2.0 soll es keine inkompatiblen Änderungen geben.
Das Ökosystem besteht eigentlich aus drei Produkten. LangChain ist die High-Level-API für Modelle, Tools und Agents. LangGraph ist die Laufzeit auf niedrigerer Ebene: Agents werden als Graphen mit explizitem Zustand, dauerhafter Ausführung und Schritten mit menschlicher Beteiligung modelliert – dort gehören lang laufende Abläufe hin. LangSmith ist der kommerzielle Teil für Tracing, Evaluationen und Deployment und funktioniert auch ohne LangChain. In der Praxis behalten Teams LangSmith oft bei, nachdem sie den Rest vereinfacht haben.
Meine Faustregel: Für einen einzelnen Modellaufruf mit strukturierter Ausgabe brauche ich kein Framework. Das OpenAI- oder Anthropic-SDK zusammen mit einem Zod- oder Pydantic-Schema ist kürzer und leichter zu debuggen. Zum LangChain-Ökosystem greife ich, wenn das Problem tatsächlich agentisch ist: mehrere Tools, Wiederholungsversuche, Verzweigungen, Zustand, der einen Neustart überstehen muss, oder eine Person, die einen Schritt freigibt, bevor Geld bewegt wird. In solchen Fällen sparen der explizite Graph und die Checkpoints von LangGraph mehr Code, als sie hinzufügen – in TypeScript wie in Python.
Ein Detail gefällt mir: Was LangChain heute anbietet, sind gar keine Chains mehr. Der Name stammt aus dem Jahr 2022, als „einen Prompt in den nächsten leiten“ noch Neuland war. 2026 geht es um Agent Engineering: Laufzeit, Beobachtbarkeit und Evaluation. Die Lehre für die Wahl eines KI-Stacks: Werkzeuge müssen zum Problem dieses Jahres passen, der Modellaufruf sollte hinter einer eigenen Schnittstelle liegen, und jeder Schritt muss sich nachvollziehen lassen, wenn etwas schiefgeht.
Geben Sie dem nächsten Produkt jemanden, der bleibt.
Bereit für den Start? Schreiben Sie mir – ich kann sofort beginnen und bleiben. Langfristige Mandate statt Übergabe nach zwei Wochen. Lassen Sie uns über Ihr Projekt, die Anforderungen und den besten Weg nach vorn sprechen.