Skip to content

Block 08 – LangGraph & Advanced Workflows

Haufe AI Automation Kurs | Tag 2 - Block 4
Zeitbedarf: 90 Minuten | Schwierigkeitsgrad: Einsteiger
Zielgruppe: Finance, Controlling, Risk Management

🎯 Lernziele

Nach diesem Block können Sie: - Grundkonzepte von LangGraph und Vorteile gegenüber klassischen Chains verstehen - StateGraphs für komplexe Entscheidungslogik aufbauen - Routing-Workflows für Risikomanagement und Compliance umsetzen - KI-Workflows mit Mermaid-Diagrammen visualisieren

📖 Theorie

Theorie ansehen

Verstehen Sie den Unterschied zwischen LangChain und LangGraph, StateGraphs und zustandsbasierte Workflows.

💻 Übung

Aufgabe öffnen

Von einfachen Risk-Classifiern bis zu komplexen Compliance-Workflows mit mehrstufiger Genehmigung.

✅ Lösung

Lösung anzeigen

Vollständige LangGraph-Implementierungen mit erweiterten Features und Visualisierungen.

🕸️ LangGraph vs. LangChain

Warum LangGraph?

LangGraph erweitert LangChain um: - Zustandsbasierte Workflows statt sequenzieller Chains - Flexible Routing-Logik mit Graphen-Struktur - Dynamische Entscheidungen basierend auf Zuständen - Komplexe Verzweigungen für Finanzanwendungen

Kernkonzepte

StateGraph-Architektur: - Knoten: Spezialisierte Aufgaben (classify, handle, route) - Kanten: Workflow-Steuerung basierend auf Bedingungen - Zustand: Shared State zwischen allen Knoten - Entry/Exit Points: Start- und Endpunkte des Workflows

🗂️ Assets

🛠️ Hauptübungen

1. Einfacher Risk-Classifier

Ziel: Ersten LangGraph für Risikoklassifizierung erstellen
Komponenten: classify_risk, handle_risk, StateGraph
Output: Funktionaler Risk-Classifier mit State-Management

2. Routing-Workflow für Finanzrisiken

Ziel: Komplexes Routing-System mit spezialisierten Expertenknoten
Features: classify_risk_type, financial_expert, compliance_expert
Output: Intelligente Weiterleitung an Fachexperten

3. Compliance-Workflow mit Eskalation

Ziel: Automatisierte Dokumentenprüfung mit mehrstufiger Genehmigung
Features: Multi-Level-Approval, Eskalationslogik
Output: Produktiver Compliance-Workflow

4. Workflow-Visualisierung

Ziel: Mermaid-Diagramme für bessere Verständlichkeit
Tools: Mermaid, Graphviz, PNG-Generierung
Output: Professionelle Workflow-Dokumentation

💡 Praktische Code-Beispiele

Grundlegendes StateGraph Setup

from typing import TypedDict, Optional
from langgraph.graph import StateGraph, END

# Zustandstyp definieren
class RiskState(TypedDict):
    question: str
    risk_level: Optional[str]
    response: Optional[str]

def classify_risk(state):
    # Risikoklassifizierung implementieren
    question = state["question"]
    # ... Klassifizierungslogik
    return {"risk_level": "high"}

def handle_risk(state):
    # Behandlungslogik implementieren
    risk_level = state["risk_level"]
    # ... Behandlungslogik
    return {"response": "Risk handled"}

# Graph aufbauen
graph = StateGraph(RiskState)
graph.add_node("classify", classify_risk)
graph.add_node("handle", handle_risk)
graph.add_edge("classify", "handle")
graph.add_edge("handle", END)
graph.set_entry_point("classify")

app = graph.compile()

# Ausführen
result = app.invoke({"question": "Kreditrisiko Analyse"})

Conditional Routing

def route_to_expert(state):
    risk_type = state["risk_type"]

    if risk_type == "financial":
        return "financial_expert"
    elif risk_type == "compliance":
        return "compliance_expert"
    else:
        return "general_handler"

# Conditional Edge hinzufügen
graph.add_conditional_edges(
    "classify_risk_type",
    route_to_expert,
    {
        "financial_expert": "financial_expert",
        "compliance_expert": "compliance_expert", 
        "general_handler": "general_handler"
    }
)

⚙️ Setup-Anforderungen

Python-Pakete

pip install langgraph langchain langchain-openai
pip install jupyter matplotlib graphviz pillow

API-Keys erforderlich

# credentials.yml
openai_api_key: "your_openai_key_here"

Voraussetzungen

  • Python 3.8+ und pip installiert
  • OpenAI API-Schlüssel (kostenlose Credits verfügbar)
  • Editor: Jupyter Notebook oder VS Code empfohlen

Beispieldaten

  • beispiel_risiken.json: Testdaten für Risikoklassifizierung
  • compliance_documents.json: Beispieldokumente für Compliance-Workflows

🔧 Troubleshooting

Häufige Probleme

  • API-Fehler: OpenAI API-Schlüssel und Guthaben prüfen
  • Import-Fehler: Alle Pakete aus requirements.txt installieren
  • Graph-Visualisierung: Internetverbindung für Mermaid-API erforderlich
  • Rate-Limiting: Pausen zwischen API-Aufrufen einbauen

Debug-Strategien

# Graph-Struktur anzeigen
app.get_graph().print_ascii()

# Zustandsfluss verfolgen
def debug_node(state):
    print(f"Current state: {state}")
    return state

# Streaming für Echtzeit-Einblicke
for step in app.stream({"question": "Test"}):
    print(step)

Performance-Tipps

  • Testen Sie jeden Knoten einzeln vor Graph-Integration
  • Verwenden Sie print()-Statements für Zustandsverfolgung
  • Aktivieren Sie Logging für detaillierte Ausführungsinformationen
  • Beginnen Sie einfach und erweitern Sie schrittweise

🌟 Weiterführende Ressourcen

🔙 Zurück zur Startseite