hector-bot/knowledge-base
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions
knowledge-base/wiki/concepts/agents/graph-based-agents.md
Hector 2025f0babb ingest(xpost): healthranger-kimi-k3-anthropic-panic 
- raw: raw/xpost/2026-07-18_healthranger-kimi-k3-anthropic-panic.md
- wiki: concepts/llm/kimi-k3.md (new concept page)
- wiki: institutions/moonshot-ai.md (updated with Kimi K3 section)
- wiki: index.md (77. update, new LLM entry + raw source)
- wiki: log.md (ingest entry)
- fix: broken links in agent-loops.md + graph-based-agents.md

Kernaussagen: ~8x cheaper than Claude, open source July 27,
safeguard controversy (curcumin/cyclospora block vs. free answer),
AI bubble thesis from HealthRanger (Mike Adams).
2026-07-18 12:37:52 +02:00

6.1 KiB
Raw Blame History

created updated sources tags people institutions
2026-07-18 2026-07-18
xpost/2026-07-18_steipete-loops-vs-graphs.md
concept
agents
graphs
langgraph
orchestration
langchain
state-machine
agent-architecture
peter-steinberger
harrison-chase
langchain

Graph-Based Agent Architecture (LangGraph)

"Denk in Loops, implementier als LangGraph." — Aktueller Konsens (Juli 2026)

Definition

In einer graph-basierten Agent-Architektur wird der Agent als gerichteter Graph modelliert. Nodes repräsentieren Aktionen (plan, code, test, review), Edges definieren Übergänge zwischen diesen Aktionen — bedingt (conditional) oder unbedingt (unconditional). Der Graph kann Zyklen für Iterationen und parallele Branches für gleichzeitige Ausführung enthalten.

[Plan] ──→ [Code] ──→ [Test] ──→ [Review]
   ↑          │          │           │
   │          ▼          ▼           │
   └──── [Fehler] ← [Fail] ←─────────┘
                                    │
                                    ▼
                               [Done]

LangGraph

LangGraph ist LangChains Low-Level-Orchestrierungs-Framework für graph-basierte Agenten. Entwickelt von Harrison Chase (@hwchase17) und dem LangChain-Team.

Inspiration

  • Google Pregel: Large-Scale Graph Processing — LangGraph übernimmt das Pregel-Modell für verteilte Graph-Ausführung
  • Apache Beam: Dataflow-Pipeline-Modell — LangGraph nutzt Beam-inspirierte Konzepte für parallele Verarbeitung
  • NetworkX: Python-Graph-Bibliothek — LangGraphs API ist an NetworkX angelehnt (Nodes, Edges, Graph-Objekt)

Einsatzmöglichkeiten

LangGraph kann standalone oder mit LangChain verwendet werden. Es ist kein Ersatz für LangChain, sondern eine ergänzende Low-Level-Orchestrierungsschicht.

Kern-Features

Feature Beschreibung Loop-Äquivalent
Persistence Checkpoints + Durable Execution — Agent-Zustand bleibt bei Unterbrechung erhalten Muss selbst gebaut werden
Human-in-the-Loop Native Approval Gates — Mensch kann an jedem Node eingreifen Muss selbst gebaut werden
Comprehensive Memory Short-term + Long-term Memory integriert Muss selbst gebaut werden
Debugging (LangSmith) Visuelles Tracing — jeder Graph-Schritt ist nachvollziehbar Nur Log-Analyse
Production Deployment Skalierbare Ausführung, Fehlertoleranz, Monitoring Manuelles Deployment
Cycles Native Zyklen-Unterstützung für Iteration while-true
Parallel Branches Gleichzeitige Ausführung unabhängiger Pfade Schwierig

Persistence & Durable Execution

LangGraph speichert den Zustand des Agenten nach jedem Schritt (Checkpointing). Bei Unterbrechung (Crash, Timeout, Neustart) kann der Agent exakt dort weitermachen, wo er aufgehört hat. Dies ist besonders wichtig für:

  • Langlaufende Agenten (Stunden/Tage)
  • Ressourcen-intensive Operationen (teure API-Calls nicht wiederholen)
  • Audit-Trails (jeder Zustand ist dokumentiert)

Human-in-the-Loop (Approval Gates)

Native Approval Gates erlauben es, an jedem Node im Graphen einen menschlichen Review-Schritt einzufügen. Der Agent pausiert, bis der Mensch genehmigt, ablehnt oder modifiziert. Dies ist ein entscheidender Vorteil gegenüber Loop-Architekturen, wo HITL manuell implementiert werden muss.

Comprehensive Memory

LangGraph bietet zwei Memory-Ebenen:

  • Short-term Memory: Kontext der aktuellen Session (entspricht Working Memory)
  • Long-term Memory: Über Sessions hinweg persistierte Fakten und Beziehungen (entspricht Semantic + Episodic Memory)

Debugging via LangSmith

LangSmith bietet visuelles Tracing des gesamten Graph-Durchlaufs:

  • Jeder Node-Durchlauf ist einsehbar
  • Input/Output jedes Schritts ist dokumentiert
  • Latenz und Kosten pro Node sind messbar
  • Fehler sind exakt lokalisierbar

Vorteile gegenüber Loops

  • Built-in State: Kein selbstgebautes State-Management nötig
  • Persistenz: Checkpoints und Durable Execution
  • Tracing: Visuelles Debugging via LangSmith
  • Human-in-the-Loop: Native Approval Gates
  • Parallelität: Native Unterstützung für parallele Branches
  • Skalierbarkeit: Für komplexe, mehrstufige Workflows ausgelegt

Nachteile

  • Komplexität: Steilere Lernkurve als einfache Loops
  • Vendor-Lock-in-Gefahr: Stark an LangChain-Ökosystem gebunden
  • Overhead: Für einfache Aufgaben (ein Tool-Call) ist ein Graph over-engineered
  • Abstraktion: Der Kontrollfluss ist weniger offensichtlich als bei linearen Loops
  • Debugging-Komplexität: Bei vielen parallelen Branches wird das Tracing unübersichtlich

Aktueller Konsens (Juli 2026)

Die Community-Debatte hat sich zu einem pragmatischen Konsens entwickelt:

Loops = Engineering-Philosophie, Graphen = Implementierung

  • Denk in Loops: Konzipiere deinen Agenten als verschachtelte Loops (Steinbergers Loop Engineering)
  • Implementier als LangGraph: Nutze LangGraph für State, Persistenz, Tracing und HITL
  • Wähle nach Komplexität: Einfache Agenten (1-2 Tool-Calls) → Loop. Komplexe Workflows (5+ Schritte, HITL, Persistenz) → Graph

Diese Synthese vereint die konzeptionelle Klarheit der Loops mit der infrastrukturellen Robustheit der Graphen.

Verwandte Konzepte

Quellen