Installationsanleitungen für Ubuntu Ubuntu 26.04 LTS · x86_64 (amd64)

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

LangGraph und LangChain

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

LangChain und LangGraph sind Python-Bibliotheken, mit denen man Anwendungen rund um große Sprachmodelle (LLMs) baut: Chatbots, Agenten, die selbstständig Werkzeuge aufrufen, oder mehrstufige Abläufe. LangGraph beschreibt solche Abläufe als Graph aus Schritten mit gemeinsamem Zustand. LangChain liefert darauf aufbauend fertige Bausteine wie Agenten und Anbindungen an viele Modellanbieter.

Vorbemerkungen

  • Das Ökosystem: Die Pakete bauen aufeinander auf:

    PaketAufgabe
    langchain-coreGemeinsame Grundlagen: Nachrichten, Werkzeuge, Schnittstelle für Chat-Modelle
    langgraphAbläufe als Graph mit Zustand, Verzweigungen, Schleifen und Gedächtnis
    langchainFertige Bausteine, vor allem create_agent für Agenten mit Werkzeugen. Baut intern auf LangGraph auf.
    langchain-anthropicAnbindung an Claude von Anthropic. Für andere Anbieter gibt es entsprechende Pakete, z. B. langchain-openai oder langchain-ollama.
    LangSmithOptionaler Online-Dienst zum Nachverfolgen und Auswerten von Abläufen. Wird in dieser Anleitung nicht verwendet.

  • Installation über pip: Die Pakete sind nicht in den Ubuntu-Paketquellen enthalten. Sie werden mit pip in eine virtuelle Umgebung (venv) installiert. Das ist ein eigener Ordner nur für dieses Projekt. Ubuntu verhindert absichtlich, dass pip Pakete systemweit installiert, damit die Python-Pakete des Systems nicht durcheinandergeraten.

  • Versionen: LangGraph 1.2, LangChain 1.4 und langchain-anthropic 1.7 unter Python 3.14.

  • Sprachmodell: Das Beispiel mit Agent verwendet Claude Opus 5. Dafür brauchst du einen API-Schlüssel von Anthropic (https://console.anthropic.com), und jede Anfrage kostet Geld. Das erste Beispiel kommt ohne Sprachmodell aus.

Installation

1. Paketlisten aktualisieren

Damit apt die aktuelle Version des Pakets für virtuelle Umgebungen kennt.

sudo apt update

2. Unterstützung für virtuelle Umgebungen installieren

python3-venv enthält das Werkzeug, mit dem Python virtuelle Umgebungen anlegt. Python selbst ist unter Ubuntu schon installiert.

sudo apt install python3-venv

3. Projektordner anlegen

Ein eigener Ordner für die Beispiele.

mkdir ~/langgraph-test

4. In den Projektordner wechseln

Alle weiteren Befehle beziehen sich auf diesen Ordner.

cd ~/langgraph-test

5. Virtuelle Umgebung anlegen

Legt die Umgebung im Unterordner .venv an. Dort landen später alle Pakete dieses Projekts.

python3 -m venv .venv

6. Virtuelle Umgebung aktivieren

Sorgt dafür, dass python und pip in diesem Terminal die Umgebung verwenden. Das musst du in jedem neuen Terminal wiederholen, bevor du mit dem Projekt arbeitest.

source .venv/bin/activate

Prüfen: Vor der Eingabeaufforderung steht jetzt (.venv).

7. LangGraph, LangChain und die Claude-Anbindung installieren

Installiert die drei Pakete samt Abhängigkeiten (darunter langchain-core und das Anthropic-SDK). -U holt jeweils die neueste Version.

pip install -U langgraph langchain langchain-anthropic

Prüfen: Die Liste zeigt die installierten Versionen, z. B. langgraph 1.2.12.

pip list | grep -E "^(langgraph|langchain|anthropic) "

Beispiel 1: Ein Graph ohne Sprachmodell

8. Beispielprogramm anlegen

Das Programm zeigt die Grundbegriffe von LangGraph, ganz ohne KI:

  • Zustand (Zustand) – die Daten, die durch den Graphen wandern. Hier ein Text und die Anzahl seiner Wörter.
  • Knoten (add_node) – einzelne Schritte, jeweils eine normale Python-Funktion. Sie bekommen den Zustand und geben die Felder zurück, die sie ändern.
  • Kanten (add_edge) – feste Übergänge von einem Knoten zum nächsten. START und END markieren Anfang und Ende.
  • Bedingte Kante (add_conditional_edges) – eine Weiche, die anhand des Zustands entscheidet, welcher Knoten als Nächstes kommt.
nano graph_demo.py

Füge diesen Inhalt ein (im Terminal mit Strg+Umschalt+V), speichere mit Strg+O und Enter und beende nano mit Strg+X:

from typing import TypedDict

from langgraph.graph import StateGraph, START, END


# Der Zustand: Daten, die von Knoten zu Knoten weitergereicht werden
class Zustand(TypedDict):
    text: str
    woerter: int


# Knoten sind einfache Funktionen: Sie bekommen den Zustand und
# geben die Felder zurück, die sie ändern
def zaehlen(zustand: Zustand) -> dict:
    return {"woerter": len(zustand["text"].split())}


def kurz(zustand: Zustand) -> dict:
    return {"text": zustand["text"].upper()}


def lang(zustand: Zustand) -> dict:
    return {"text": zustand["text"][:20] + " …"}


# Bedingte Kante: entscheidet anhand des Zustands, wohin es weitergeht
def weiche(zustand: Zustand) -> str:
    return "kurz" if zustand["woerter"] <= 3 else "lang"


graph = StateGraph(Zustand)
graph.add_node("zaehlen", zaehlen)
graph.add_node("kurz", kurz)
graph.add_node("lang", lang)
graph.add_edge(START, "zaehlen")
graph.add_conditional_edges("zaehlen", weiche, ["kurz", "lang"])
graph.add_edge("kurz", END)
graph.add_edge("lang", END)
app = graph.compile()

print(app.invoke({"text": "Hallo LangGraph"}))
print(app.invoke({"text": "Dies ist ein etwas längerer Satz zum Testen"}))
print(app.get_graph().draw_mermaid())

9. Beispiel ausführen

Startet das Programm in der virtuellen Umgebung.

python graph_demo.py

Prüfen: Die ersten beiden Zeilen lauten:

{'text': 'HALLO LANGGRAPH', 'woerter': 2}
{'text': 'Dies ist ein etwas l …', 'woerter': 8}

Der kurze Text ging also über den Knoten kurz, der lange über lang. Darunter steht der Aufbau des Graphen als Mermaid-Diagramm. Du kannst es z. B. in mdBook oder MkDocs mit einer Mermaid-Erweiterung oder auf https://mermaid.live anzeigen lassen.

Beispiel 2: Ein Agent mit Claude

10. API-Schlüssel eingeben

Die Claude-Anbindung liest den Schlüssel aus der Umgebungsvariablen ANTHROPIC_API_KEY. read -rs fragt ihn ab, ohne ihn anzuzeigen. So landet er weder auf dem Bildschirm noch im Befehlsverlauf. Füge den Schlüssel ein und drücke Enter.

read -rsp "API-Schlüssel: " ANTHROPIC_API_KEY

11. API-Schlüssel für Programme freigeben

export macht die Variable für Programme sichtbar, die aus diesem Terminal gestartet werden. Sie gilt nur, bis das Terminal geschlossen wird.

export ANTHROPIC_API_KEY

Prüfen: Die Ausgabe ist eine Zahl über 0 (die Länge des Schlüssels), nicht der Schlüssel selbst.

echo ${#ANTHROPIC_API_KEY}

12. Agent-Programm anlegen

Ein Agent ist ein Sprachmodell, das selbst entscheidet, ob und wann es Werkzeuge aufruft. Das Programm verwendet:

  • tage_bis – ein Werkzeug: eine normale Python-Funktion. Aus Name, Parametern und Docstring erkennt das Modell, wofür es da ist.
  • ChatAnthropic – die Anbindung an Claude Opus 5 (claude-opus-5). max_tokens begrenzt die Länge einer Antwort. betas und fallbacks schalten eine Absicherung ein: Lehnen die Sicherheitsfilter von Anthropic eine Anfrage ab, beantwortet sie automatisch ein anderes passendes Claude-Modell.
  • create_agent – baut aus Modell, Werkzeugen und Anweisung (system_prompt) einen fertigen Agenten. Intern ist das ein LangGraph-Graph mit Schleife: Modell fragen → Werkzeug ausführen → Modell erneut fragen, bis eine Antwort vorliegt.
  • InMemorySaver – das Gedächtnis. Es speichert den Gesprächsverlauf pro Unterhaltung, erkennbar an der thread_id. Deshalb versteht der Agent bei der zweiten Frage, worauf sich „Und in Wochen?“ bezieht.
nano agent_demo.py

Füge diesen Inhalt ein (im Terminal mit Strg+Umschalt+V), speichere mit Strg+O und Enter und beende nano mit Strg+X:

from datetime import date

from langchain.agents import create_agent
from langchain_anthropic import ChatAnthropic
from langgraph.checkpoint.memory import InMemorySaver


# Ein Werkzeug (Tool): eine normale Python-Funktion. Der Docstring
# erklärt dem Modell, wofür das Werkzeug da ist.
def tage_bis(datum: str) -> str:
    """Berechnet, wie viele Tage es noch bis zu einem Datum (JJJJ-MM-TT) sind."""
    ziel = date.fromisoformat(datum)
    return f"Noch {(ziel - date.today()).days} Tage bis {datum}."


modell = ChatAnthropic(
    model="claude-opus-5",
    max_tokens=16000,
    # Bei einer Ablehnung durch Sicherheitsfilter automatisch auf ein
    # geeignetes anderes Claude-Modell ausweichen
    betas=["server-side-fallback-2026-07-01"],
    model_kwargs={"fallbacks": "default"},
)

agent = create_agent(
    modell,
    tools=[tage_bis],
    system_prompt="Du bist ein hilfreicher Assistent. Antworte kurz und auf Deutsch.",
    # Merkt sich den Gesprächsverlauf pro Unterhaltung (thread_id)
    checkpointer=InMemorySaver(),
)

unterhaltung = {"configurable": {"thread_id": "test-1"}}

antwort = agent.invoke(
    {"messages": [{"role": "user", "content": "Wie viele Tage sind es noch bis Silvester 2026?"}]},
    unterhaltung,
)
print(antwort["messages"][-1].text)

antwort = agent.invoke(
    {"messages": [{"role": "user", "content": "Und in Wochen?"}]},
    unterhaltung,
)
print(antwort["messages"][-1].text)

13. Agent ausführen

Startet den Agenten. Er stellt zwei Anfragen an Claude, die erste davon mit einem Werkzeugaufruf. Das dauert einige Sekunden und kostet wenige Cent.

python agent_demo.py

Prüfen: Es erscheinen zwei deutsche Antworten: zuerst die Anzahl der Tage bis zum 31.12.2026 (vom Werkzeug berechnet), dann dieselbe Zeitspanne in Wochen. Der genaue Wortlaut ändert sich bei jedem Aufruf.

Erscheint stattdessen ein Fehler mit authentication_error, ist der Schlüssel falsch oder fehlt. Wiederhole dann die Schritte 10 und 11.

Wie geht es weiter?

  • Eigene Graphen mit Modell: Ein Knoten kann auch modell.invoke(...) aufrufen. So lassen sich feste Abläufe bauen, in denen das Modell nur an bestimmten Stellen gefragt wird, z. B. erst Text zusammenfassen, dann prüfen, dann übersetzen.
  • Dauerhaftes Gedächtnis: InMemorySaver vergisst alles, wenn das Programm endet. Das Paket langgraph-checkpoint-postgres speichert den Verlauf stattdessen in PostgreSQL.
  • Wissen aus eigenen Dokumenten (RAG): Mit Embeddings und einem Vektorspeicher wie pgvector findet der Agent passende Textstellen und bezieht sie in seine Antworten ein.
  • Menschliche Freigabe: Mit interrupt_before hält der Agent vor bestimmten Schritten an und wartet auf eine Bestätigung.

Deinstallieren

1. Virtuelle Umgebung verlassen

Schaltet das Terminal zurück auf das Python des Systems. (.venv) verschwindet aus der Eingabeaufforderung.

deactivate

2. Projekt entfernen

Löscht den Projektordner samt virtueller Umgebung und allen darin installierten Paketen. Außerhalb dieses Ordners hat pip nichts installiert.

rm -rf ~/langgraph-test

3. Zwischenspeicher von pip leeren (optional)

pip hebt heruntergeladene Pakete in einem Zwischenspeicher auf, um spätere Installationen zu beschleunigen.

rm -rf ~/.cache/pip

Prüfen: Der Projektordner existiert nicht mehr.

ls ~/langgraph-test

Hinweis: Den API-Schlüssel kannst du in der Anthropic Console jederzeit sperren oder löschen, wenn du ihn nicht mehr brauchst.

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Open Knowledge (Freies Wissen): Alle Texte stehen unter der freien Lizenz Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0) und können frei gelesen, geteilt und weiterverarbeitet werden.

Hinweis: Diese Inhalte wurden mit Unterstützung von Künstlicher Intelligenz erstellt und redaktionell überprüft (Transparenzhinweis gemäß Art. 50 EU AI Act).

Open Knowledge (Freies Wissen): Alle Texte stehen unter der freien Lizenz Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International (CC BY-SA 4.0) und können frei gelesen, geteilt und weiterverarbeitet werden.

Autor: Thorsten · Installationsanleitungen für Ubuntu

Alle Anleitungen ohne Gewähr. Befehle mit sudo verändern das System – vorher lesen, dann ausführen.