LangChain / LlamaIndex Workflows

Hvad dækker LangChain / LlamaIndex Workflows?

Færdigheden dækker at bygge AI-løsninger, der udfører flere trin i rækkefølge. Ikke ét spørgsmål og ét svar, men et forløb: hent oplysningerne, vurdér dem, vælg vej, kald et værktøj, kontrollér resultatet, prøv igen hvis det er forkert, spørg eventuelt et menneske, og aflevér til sidst.

To værktøjskasser fylder mest. LangChain er rammeværket med modelintegrationer, værktøjskald og færdige agent-opsætninger. LangGraph er motoren nedenunder: opgaven tegnes som en graf af trin, og forløbet må gå i ring, forgrene sig og gemme sin tilstand undervejs. Begge nåede version 1.0 i oktober 2025, og LangChains agenter kører nu oven på LangGraphs runtime.

LlamaIndex Workflows er den anden tilgang. Her er forløbet hændelsesdrevet (event-driven). Hvert trin markeres med @step, modtager en hændelse og sender en ny af sted. Hændelsernes typer beskriver, hvordan trinnene hænger sammen, og rammeværket kontrollerer, at flowet hænger sammen, før det kører. Workflows blev udskilt som sin egen pakke i 2025 og kan bruges uden resten af LlamaIndex, både i Python og i TypeScript.

Selve håndværket er det samme i begge. En person med færdigheden kan tegne opgaven som et forløb, før der skrives kode. Vedkommende kan afgøre, hvad modellen selv skal bestemme, og hvad almindelig kode skal bestemme. Det er den vigtigste beslutning i hele designet. Og vedkommende kan definere en tilstand (state): hvilke data der følger med rundt i forløbet, og hvilket trin der må skrive til hvad.

Dertil kommer det, der får forløbet til at overleve virkeligheden. Et trin fejler. En API svarer ikke. Serveren genstarter midt i en kørsel, der tager en time. Færdigheden omfatter at sætte gentagelsesregler op (retry), at gemme tilstanden undervejs (checkpointing), så en kørsel kan fortsætte i stedet for at starte forfra, og at bygge stopklodser ind, så en agent ikke kører i ring i det uendelige.

Menneskene hører også med. Mange forløb skal holde pause og vente på en godkendelse, før de sender en mail, opretter en sag eller bogfører noget. At bygge den pause ind uden at forløbet falder fra hinanden er en del af færdigheden. Den kaldes ofte human-in-the-loop.

I det daglige viser færdigheden sig sådan: personen taler om trin, tilstand og fejlsituationer, ikke om prompts. Der findes en tegning af flowet. Hver kørsel bliver logget, så man kan se, hvad agenten faktisk gjorde. Og der er en klar holdning til, hvornår man slet ikke skal bruge et rammeværk.

Hvornår er LangChain- og LlamaIndex-færdigheden vigtig?

Færdigheden bliver afgørende i det øjeblik, en opgave ikke kan løses med ét kald til en sprogmodel.

Dokumenttunge processer er det klassiske eksempel. Fakturaer, kontrakter, ansøgninger, sagsakter, tilbudsmateriale. Et forløb læser dokumentet, finder de felter der mangler, slår op i virksomhedens egne data, udfylder, kontrollerer sig selv og sender til godkendelse. Det er præcis den slags, både LangGraph og LlamaIndex Workflows er bygget til.

Interne assistenter og kundeservice er det andet område. Så snart løsningen skal slå noget op, handle på det og vurdere, om svaret holder, er der tale om et forløb med forgreninger. Ikke en chatbot.

Lange kørsler er det tredje. Når noget kører i minutter eller timer, skal det kunne genoptages efter en genstart. LangGraph fik netop den slags holdbar udførelse (durable execution) med som en central del af sin 1.0-udgave.

Færdigheden er også vigtig, når processen skal kunne forklares bagefter. I en dansk virksomhed, der er omfattet af NIS2, GDPR eller EU's AI-forordning, er "modellen fandt selv på det" ikke et brugbart svar. Et forløb med navngivne trin, gemt tilstand og sporing kan dokumenteres. En løs prompt kan ikke.

Rollemæssigt møder AI-udviklere, integrationsudviklere, dataingeniører og løsningsarkitekter behovet først. I mindre virksomheder er det ofte den samme person, der både designer forløbet, kobler det til systemerne og bagefter skal forklare driften, hvad der sker, når det fejler.

For hold, der arbejder med lokale eller selvhostede modeller, er der en ekstra pointe. Begge rammeværk er uafhængige af modelleverandør. Det samme forløb kan køre mod en model i skyen og mod en model, virksomheden selv driver. Det gør færdigheden central, hvis data skal blive inden for egne mure, og løsningen alligevel skal kunne mere end at chatte.

Og så det ærlige forbehold. Skal der bare bruges ét eller to modelkald bag en funktion, er et agent-rammeværk overdrevet. En dygtig person siger det selv, uopfordret.

Sådan trænes færdigheden i LangChain og LlamaIndex Workflows

Det korte svar: ved at bygge noget, sætte det i drift og se det fejle. Der findes ikke en genvej udenom.

Den officielle vej ind er dokumentationen og udbydernes egne kurser. LangChain Academy har gratis selvstudiekurser i LangChain, i pålidelige agenter, i overvågning af agenter i drift og i udrulning med LangSmith. LangChain udbyder også en prøve, LangChain Certified Agent Engineer, med 40 spørgsmål og fire svarmuligheder, hvor 28 rigtige giver bestået. Prøven tager 120 minutter, afvikles online med overvågning, koster ifølge LangChains egen side 99 USD og er gyldig i 24 måneder.

På LlamaIndex-siden er dokumentationen med de gennemgående eksempler startpunktet. DeepLearning.AI har desuden et kort kursus lavet sammen med LlamaIndex, Event-Driven Agentic Document Workflows, hvor man bygger et forløb med forgreninger, loops, parallelle trin og menneskelig feedback, der udfylder en formular ud fra et kildedokument. Det er en af de få sammenhængende gennemgange af netop den hændelsesdrevne tilgang.

Men kurserne giver grundstenene, ikke færdigheden. Et weekendkursus giver en agent, der virker i en notebook. Det, der adskiller folk fra hinanden, kommer bagefter. Hvad sker der, når det samme trin kører to gange? Hvad gemmes hvor? Hvordan opdager man, at agenten er begyndt at svare dårligere efter en modelopdatering?

En brugbar træningstrappe ser sådan ud. Byg først ét forløb med en forgrening og et loop, og få det til at stoppe pålideligt hver gang. Tilføj gemt tilstand, dræb processen midt i en kørsel, og få den til at fortsætte. Byg derefter et godkendelsestrin ind, hvor et menneske skal sige ja. Sæt sporing på, saml en lille prøvesamling af typiske opgaver, og mål om ændringer gør løsningen bedre eller værre. Kør til sidst det hele mod en lokal model og se, hvad der knækker.

To ting fremskynder læringen mærkbart. Har man før arbejdet med tilstandsmaskiner, køer eller procesmotorer, falder tankegangen hurtigt på plads. Det er den samme disciplin med en sprogmodel indeni. Og kan man læse en changelog, sparer man måneder. Feltet flytter sig hurtigt, en stor del af de vejledninger, man finder ved en søgning, bygger på forældede udgaver af LangChain, og den gamle AgentExecutor-vej er afløst af create_agent.

Endelig: læs kode fra rigtige forløb. Begge projekter har åbne eksempelsamlinger, og de viser mere om god opbygning end noget kursus.

Sådan genkender du én, der kan LangChain / LlamaIndex Workflows

Bed om at se et forløb, personen selv har bygget. Gerne tegningen først og koden bagefter. Kan flowet forklares på en tavle på fem minutter, er der noget om snakken.

Fem spørgsmål skiller hurtigt ad.

Hvor i dit forløb bestemmer modellen, og hvor bestemmer koden? Et godt svar er konkret og lidt kedeligt: modellen vælger kategori og formulerer tekst, koden styrer rækkefølge, opslag og validering. Et svagt svar lader modellen bestemme alt.

Hvordan ser din tilstand ud, og hvem skriver til hvad? Den, der har bygget noget rigtigt, har en holdning her. Den, der har fulgt en vejledning, har ikke.

Hvad sker der, hvis processen dør halvvejs? Svaret bør handle om gemte punkter undervejs og om, at et trin kan køres igen uden at gøre skade. Ikke om at det sker sjældent.

Hvordan sikrer du, at agenten ikke kører i ring? Der bør nævnes konkrete stopklodser: grænse for antal skridt, et budget, tydelige afslutningsbetingelser.

Hvordan ved du, om en ændring gjorde løsningen bedre? Her leder du efter en prøvesamling og målinger, ikke efter at det føles bedre. Sporing i LangSmith eller et tilsvarende værktøj er et godt tegn.

Andre gode tegn: personen kender forskel på LangChain, LangGraph og LlamaIndex Workflows og kan sige, hvornår hvad ville blive valgt. Vedkommende kan fortælle om et forløb, der blev forenklet eller helt droppet, fordi opgaven ikke krævede et rammeværk. Og vedkommende taler om, hvad en kørsel koster i tid og forbrug, ikke kun om hvad den kan.

Advarselstegn: kun demoer fra kurser og ingen drift. Ingen sporing eller logning. Ingen svar på, hvad der sker ved fejl. Nye løsninger bygget på forældede dele af LangChain. Og en tro på, at rammeværket i sig selv sørger for pålidelighed. Det gør det ikke. Det gør designet.

Et praktisk råd til sidst. Vægt et kodearkiv, en tegning og en fejllog højere end et kursusbevis. Beviset viser, at nogen har set stoffet. Koden viser, om personen har været i drift med det.