LangChain vs LangGraph: Welke past het beste bij u?

Wanneer het gaat om het bouwen van applicaties die worden aangedreven door large language models (LLMs), hebben ontwikkelaars nu meer keuze dan ooit. Twee van de meest besproken frameworks zijn LangChain en LangGraph. Hoewel beide tot doel hebben het proces van het verbinden van LLMs met tools, data en workflows te vereenvoudigen, hanteren ze heel verschillende benaderingen. LangChain is snel uitgegroeid tot een van de populairste bibliotheken voor het maken van AI-gestuurde applicaties, met een breed ecosysteem van integraties en abstracties. Aan de andere kant richt LangGraph—gebouwd bovenop LangChain—zich op stateful, agent-achtige systemen, waarbij gebruik wordt gemaakt van een op grafen gebaseerd uitvoeringsmodel om complexe redeneringen en meerstaps interacties af te handelen.

Als u probeert te beslissen tussen LangChain vs LangGraph, is het belangrijk om hun sterkste punten, beperkingen en ideale use-cases te begrijpen. Deze vergelijking helpt u te evalueren welk framework het beste bij uw project past, of u nu eenvoudige LLM-apps, robuuste AI-agents of schaalbare enterprise-oplossingen bouwt.

LangChain vs LangGraph – Overzicht

Hier is een snelle weergave van LangChain vs LangGraph op basis van hun functies:

Wat is LangChain?

LangChain is een open-source framework voor het ontwerpen van AI-applicaties die worden aangedreven door LLMs. Het biedt ontwikkelaars een bibliotheek van modulaire componenten in Python en JavaScript die taalmodellen verbinden met externe tools en databronnen, terwijl het een consistente interface biedt voor chains van taken, prompt management en het afhandelen van geheugen.

LangChain fungeert als een brug tussen ruwe LLM-functionaliteiten en de praktijk. Het helpt ontwikkelaars bij het maken van workflows die "chains" worden genoemd, waarbij elke stap het genereren van tekst, het raadplegen van een database, het ophalen van documenten of het aanroepen van externe APIs omvat, allemaal in een logische volgorde. Deze modulaire structuur versnelt niet alleen het maken van prototypes, maar bevordert ook de helderheid en het hergebruik, wat handig is of u nu chatbots maakt, documenten samenvat, content genereert of workflows automatiseert. 

LangChain werd oorspronkelijk gelanceerd in oktober 2022 en ontwikkelde zich snel tot een levendig, community-gestuurd project. Het is sinds die tijd overgenomen in honderden tool-integraties en modelproviders, waardoor u eenvoudig kunt schakelen tussen OpenAI, Hugging Face, Anthropic, IBM watsonx en meer. LangChain biedt een elegante, gestructureerde manier om taalmodellen naar praktische toepassingen te brengen. Het abstraheert complexiteit, vergroot de flexibiliteit en stroomlijnt de ontwikkeling, waardoor het een vaste keuze is voor teams die krachtige, op LLM gebaseerde systemen bouwen.

Kernfunctionaliteit van LangChain

LangChain is ontworpen om het maken van op LLM gebaseerde applicaties met lineaire, stapsgewijze workflows te vereenvoudigen. De kernfunctionaliteiten omvatten:

• Prompt Chaining: Combineer meerdere prompts in een sequentie, waarbij de uitvoer van de ene stap dient als invoer voor de volgende.
  
• Memory Management: Behoud kortetermijncontext, zoals gespreksgeschiedenis, met behulp van modulaire geheugencomponenten.
  
• Document- & Data-integratie: Laad, splits en haal informatie op uit PDFs, webpagina's en vector-databases.
  
• LLM- & API-integratie: Maak naadloos verbinding met meerdere LLM-providers, APIs en externe tools.
  
• Snelle prototyping: Stel snel chains samen voor het testen en experimenteren zonder ingewikkelde configuratie.
  
• Workflow Management: Ondersteunt eenvoudige vertakkingen en sequentiële taakuitvoering, ideaal voor samenvattingen, vraag-antwoord-systemen of het genereren van content.

Wat is LangGraph?

LangGraph is een open-source framework van het LangChain-team dat ontwikkelaars helpt slimmere en beter aanpasbare AI-agent-workflows te bouwen. In plaats van taken in een rechte lijn uit te voeren zoals bij een traditionele chain, organiseert LangGraph ze in een graaf, waarin elke "node" een taak vertegenwoordigt en de "edges" bepalen hoe die taken met elkaar verbonden zijn. Dit ontwerp maakt het mogelijk om stromen te maken die kunnen vertakken, lussen maken en de status (state) behouden, waardoor agents de flexibiliteit krijgen om complexere scenario's af te handelen.

Een van de belangrijkste sterke punten van LangGraph is dat het langlopende, state-aware agents ondersteunt. Als een agent een fout tegenkomt of moet pauzeren, kan deze precies daar doorgaan waar hij was gebleven. U kunt ook menselijke controlepunten (human-in-the-loop) inbouwen, zodat een persoon een actie kan beoordelen of aanpassen voordat de agent verdergaat. Bovendien kan LangGraph interacties uit het verleden en context in de loop van de tijd onthouden, wat essentieel is voor het maken van agents die leren en zich aanpassen.

Het wordt ook geleverd met krachtige productiefuncties. Ontwikkelaars kunnen workflows monitoren met behulp van tools zoals LangSmith, die visuele debugging, gedetailleerde logs en volledige zichtbaarheid bieden in de manier waarop een agent beslissingen neemt. LangGraph kan lokaal worden uitgevoerd worden of worden gedetacheerd op beheerde platforms zoals LangGraph Platform en Studio. LangGraph is gebouwd voor betrouwbaarheid, flexibiliteit en transparantie, wat het een solide keuze maakt voor complexe AI-systemen die verder gaan dan eenvoudige stapsgewijze automatisering.

 Kernfunctionaliteit van LangGraph

LangGraph is gebouwd voor dynamische, stateful en multi-agent-workflows en biedt functies die verder gaan dan lineaire taakuitvoering. De kernfunctionaliteiten omvatten:

• Op grafen gebaseerd Workflow Management: Bouw complexe workflows met lussen, vertakkingen en het herzien van eerdere toestanden.
  
• Expliciet State Management: Volledige controle over de status van de workflow, wat langlopende processen, retries en besluitvorming over meerdere stappen mogelijk maakt.
  
• Multi-Agent Orchestratie: Coördineer meerdere AI-agents, elk met gespecialiseerde rollen, binnen één verbonden workflow.
  
• Adaptieve uitvoering: Verwerk dynamische invoer, voorwaardelijke paden en alternatieve scenario's zonder de stroom te onderbreken.
  
• Integratie & Monitoring: Tools zoals LangGraph Studio en LangSmith maken realtime debugging, logging en visualisatie van agent-workflows mogelijk.
  
• Veerkrachtige taakafhandeling: Ondersteunt foutherstel, retries en controlepunten voor robuuste en productieklare applicaties.

Nu we de basisprincipes van LangGraph en LangChain hebben behandeld, gaan we dieper in op de verschillen tussen LangChain en LangGraph.

LangChain vs LangGraph

LangChain is gebouwd om complexe, op LLM gebaseerde workflows eenvoudig en intuïtief te laten aanvoelen. Het blinkt uit wanneer uw taken een voorspelbaar, sequentieel patroon volgen, zoals het ophalen van gegevens, samenvatten, het beantwoorden van vragen, enzovoort. Het modulaire ontwerp biedt kant-en-klare bouwstenen zoals chains, geheugen, agents en tools, wat snelle prototyping en overzichtelijke code mogelijk maakt. Als u snel een workflow wilt samenstellen die een vast pad volgt, is LangChain de beste keuze.

Aan de andere kant biedt LangGraph u de kracht en flexibiliteit waar dingen ingewikkeld worden of lussen beginnen te vormen. In plaats van lineaire sequenties ontwerpt u op grafen gebaseerde workflows met nodes, edges, expliciete status, retries, vertakkingslogica en zelfs menselijke controlepunten. Het blinkt uit wanneer uw applicatie zich moet aanpassen, terug moet keren, lussen moet maken of langlopende context moet onthouden, denk aan meerstaps agents, complexe beslissingsbomen of virtuele assistenten die in de loop van de tijd moeten redeneren.

Vergelijking van kernfuncties uitgelegd

Workflow

• LangChain: Werkt het beste met lineaire sequenties of eenvoudige DAGs (Directed Acyclic Graphs). Ideaal voor stapsgewijze taken waarbij de uitvoer van de ene stap rechtstreeks doorstroomt naar de volgende.
• LangGraph: Ontworpen voor volledige, op grafen gebaseerde workflows, met ondersteuning voor lussen, vertakkingen en het herbezoeken van eerdere toestanden. Perfect voor adaptieve of iteratieve processen.

State Management

• LangChain: Verwerkt de status impliciet, wat betekent dat het geheugen of de context behouden blijft via ingebouwde modules, maar het nauwkeurig bijhouden van de status over meerdere stappen kan beperkt zijn.
• LangGraph: Biedt expliciete controle over de status, waardoor ontwikkelaars langlopende workflows, retries en multi-agent-interacties met precisie kunnen beheren.

Gebruiksgemak

• LangChain: Eenvoudig en ontwikkelaarsvriendelijk, wat het ideaal maakt voor snelle prototyping en een snelle installatie.
• LangGraph: Complexer vanwege de op grafen gebaseerde architectuur, wat een zorgvuldige planning vereist, maar grotere flexibiliteit biedt voor dynamische workflows.

Complexiteit

• LangChain: Geschikt voor eenvoudige vertakkingen en overzichtelijke pipelines. Een minimale configuratie houdt de ontwikkeling overzichtelijk en onderhoudbaar.
• LangGraph: Ontworpen voor het afhandelen van lussen, retries, multi-agent-coördinatie en geavanceerde besluitvormingsprocessen. Het beste voor complexe applicaties die adaptieve logica vereisen.

Productie

• LangChain: Sterk ecosysteem met integraties voor meerdere LLMs, vector-databases en tools van derden. Uitstekend voor snelle uitrol en experimenten.
• LangGraph: Biedt visuele prototyping en monitoring via het eigen platform, inclusief tools zoals LangGraph Studio en LangSmith, waardoor het gemakkelijker wordt om agent-workflows in productie te debuggen en te volgen.

Wanneer LangChain gebruiken?

LangChain is het beste wanneer uw proces stap voor stap verloopt zonder frequente vertakkingen, lussen of complex state management.

Eenvoudige, lineaire workflows

LangChain is ideaal voor taken die een duidelijke volgorde volgen zonder ingewikkelde vertakkingen. Bijvoorbeeld het vertalen van tekst of het samenvatten van documenten in één stap.

from langchain.chat_models import ChatOpenAI

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template("Summarize this text: {text}")

model = ChatOpenAI()

chain = prompt | model

output = chain.invoke({"text": "LangChain simplifies working with LLMs."})

print(output)

Snelle Prototyping

Met LangChain's bibliotheek van voorgebouwde connectors (LLMs, databases, APIs) kunnen ontwikkelaars snel workflows samenstellen en testen. Handig voor proof-of-concept-projecten of snelle iteraties.

Kortetermijngeheugen & Experimenten

Met ingebouwde geheugenmodules kan LangChain tijdelijk context vasthouden. Dit is nuttig voor chatexperimenten, onderzoekstests of meerstaps prompts die geen langetermijnstatus vereisen.

from langchain.memory import ConversationBufferMemory

from langchain.chains import ConversationChain

from langchain.llms import OpenAI

memory = ConversationBufferMemory()

conversation = ConversationChain(llm=OpenAI(), memory=memory)

conversation.run("Explain LangChain for beginners.")

conversation.run("Give a one-line summary of your explanation.")

Onderhoudbare, gefocuste applicaties

Voor apps die geen lussen, adaptieve logica of multi-agent-orchestratie nodig hebben, houdt LangChain workflows overzichtelijk, modulair en eenvoudig te beheren.

from langchain.chains import SimpleSequentialChain, LLMChain

from langchain.prompts import PromptTemplate

from langchain.llms import OpenAI

llm = OpenAI()

prompt = PromptTemplate(template="Translate to French: {text}", input_variables=["text"])

chain = LLMChain(llm=llm, prompt=prompt)

seq_chain = SimpleSequentialChain(chains=[chain])

print(seq_chain.run("Hello, how are you?"))

Kies LangChain wanneer uw focus ligt op het bouwen van duidelijke, gestructureerde en goed geïntegreerde LLM-workflows met een minimale configuratie en maximale flexibiliteit.

‍

Wanneer LangGraph gebruiken?

LangGraph is ideal voor dynamische, adaptieve workflows waarin het bijhouden van de status, vertakkingen of multi-agent-orchestratie vereist zijn. Het is het meest geschikt voor AI-agents en complexe systemen die stappen moeten herzien, alternatieve paden moeten afhandelen of context in de loop van de tijd moeten behouden.

Adaptieve workflows met lussen en vertakkingen 

Gebruik LangGraph wanneer uw proces van richting moet veranderen, stappen opnieuw moet proberen of beslissingen in meerdere fasen moet verwerken.

from langgraph import StateGraph

def process_input(state):

   input_data = state["input"]

   result = input_data.upper()  # simple transformation

   return {"result": result, "input": input_data}

graph = StateGraph()

graph.add_node("processor", process_input)

graph.add_edge("processor", "processor")  # loop back for retry

output = graph.run({"input": "hello world"})

print(output)

Stateful, langlopende processen 

LangGraph biedt expliciet state management, wat het perfect maakt voor workflows die de context over meerdere stappen of sessies moeten behouden.

def agent_step(state):

   state["history"].append(state["input"])

   return {"history": state["history"], "input": state["next_input"]}

graph = StateGraph()

graph.add_node("agent", agent_step)

result = graph.run({"history": [], "input": "Step 1", "next_input": "Step 2"})

print(result)

Multi-Agent Orchestratie 

LangGraph coördineert meerdere AI-agents met gespecialiseerde rollen in één enkele workflow. Maak lussen, vertakkingen en voer retries uit terwijl u een consistente status behoudt.

def agent1(state):

   return {"message": "Agent1 processed " + state["data"]}

def agent2(state):

   return {"message": "Agent2 confirmed " + state["message"]}

graph = StateGraph()

graph.add_node("A1", agent1)

graph.add_node("A2", agent2)

graph.add_edge("A1", "A2")

output = graph.run({"data": "task info"})

print(output)

Monitoring van productiekwaliteit 

LangGraph integreert met LangSmith en LangGraph Studio om realtime logging, debugging en monitoring van agent-workflows te bieden. Perfect voor complexe applicaties waar transparantie en foutafhandeling van belang zijn.

Gebruik LangGraph wanneer uw applicatie dynamische, stateful en adaptieve workflows vereist. Het blinkt uit in multi-agent-systemen, AI-orchestratie en processen waarbij geheugen, context en vertakkingslogica essentieel zijn.

 LangChain vs LangGraph – Welke is het beste?

Zowel LangChain als LangGraph zijn uitstekende tools, maar ze lossen verschillende problemen op. Welke het beste voor u is, hangt af van hoe complex uw workflows zijn en welk type controle u erover nodig heeft.

Wanneer LangChain de betere keuze kan zijn

LangChain is perfect als uw applicatie een duidelijk, stapsgewijs proces volgt. Het werkt goed wanneer de workflow voorspelbaar is, zonder frequente vertakkingen of lussen terug. U kunt LangChain bijvoorbeeld gebruiken om:

• Een chatbot te bouwen die vragen beantwoordt met een enkele prompt-respons-cyclus
• Een tool voor samenvattingen of het genereren van content te maken
• Retrieval-Augmented Generation (RAG) te implementeren voor het snel opzoeken van informatie

De belangrijkste sterke punten zijn snelheid, eenvoud en een uitgebreide bibliotheek met integraties. Dit maakt LangChain erg aantrekkelijk voor prototyping, kleine tot middelgrote projecten en educatief gebruik, waarbij het snel werkend krijgen van iets belangrijker is dan het afhandelen van randgevallen of complexe vertakkingen.

Wanneer LangGraph opvalt

LangGraph blinkt uit in situaties waarin de applicatie zich moet aanpassen, moet terugkeren of over een langere periode moet draaien terwijl de status behouden blijft. Het is gebouwd voor workflows in agent-stijl die:

• Door stappen kunnen lussen totdat aan een voorwaarde is voldaan
• Kunnen pauzeren en exact hervatten waar ze zijn gebleven
• Menselijke controlepunten kunnen gebruiken voor verificatie of aanpassingen

Dit maakt LangGraph de sterkere keuze voor multi-agent-systemen, complexe besluitvorming en productieomgevingen waar flexibiliteit en veerkracht cruciaal zijn.

Hoe te beslissen

Als u nog steeds twijfelt, overweeg dan deze richtlijnen:

• Workflow-complexiteit: Als deze voornamelijk lineair is, begin dan met LangChain. Als er lussen, vertakkingen en adaptieve logica zijn, kies dan voor LangGraph.
• Statusvereisten: Als u alleen kortetermijngeheugen nodig heeft voor een enkele uitvoering, is LangChain voldoende. Als u een permanente, controleerbare status nodig heeft, is LangGraph beter.
• Langetermijnplannen: Als uw applicatie later kan uitgroeien tot een complexer systeem, kan LangGraph u een migratiestap besparen.‍

‍Belangrijk:

LangChain is de snelle, toegankelijke optie voor eenvoudige tot matig complexe workflows. LangGraph is de robuuste, flexibele keuze voor zeer complexe, dynamische AI-systemen. Beide maken deel uit van hetzelfde ecosysteem, dus u kunt met de een beginnen en overstappen op de ander als uw behoeften veranderen. Uw keuze moet aansluiten bij uw huidige projectomvang en uw toekomstige schaalbaarheidsdoelen.

 Praktijkvoorbeelden van LangChain en LangGraph

Verschillende bedrijven maken gebruik van LangChain of LangGraph op basis van de complexiteit en het type workflow dat ze nodig hebben. LangChain wordt doorgaans gekozen voor lineaire, stapsgewijze taken, terwijl LangGraph dynamische, stateful en multi-agent processen afhandelt.

Waarom AI Gateways belangrijk zijn voor gebruikers van LangChain/LangGraph

Wanneer u bouwt met LangChain of LangGraph, creëert u krachtige, door LLM aangedreven workflows. Maar om ze betrouwbaar, kosteneffectief en veilig in productie te laten draaien, is er meer nodig dan alleen orchestratie. Dit is waar een AI gateway om de hoek komt kijken. Het fungeert als de controlelaag tussen uw applicatie en de modellen die het gebruikt, wat zorgt voor een soepele routing, kostenbewaking, prompt management en beveiliging.

Het bouwen van een workflow in LangChain of LangGraph is slechts de eerste stap. Zodra u naar productie overstapt, wordt het beheren van de operationele kant van het LLM-gebruik net zo belangrijk als het ontwerpen van de workflow zelf. Een AI Gateway fungeert als een controlelaag die u helpt verzoeken naar het meest geschikte model te routeer, prestaties te bewaken en uw applicaties soepel te laten draaien.

Zonder deze laag is het eenvoudig om tegen problemen aan te lopen zoals onvoorspelbare latency, stijgende kosten of inconsistent prompt-gebruik in verschillende delen van uw systeem. AI Gateways bieden de zichtbaarheid en controle die nodig zijn om de prestaties te behouden, de uitgaven te optimaliseren en uw LLM-endpoints veilig te houden.

Hoe TrueFoundry LangChain en LangGraph aanvult

TrueFoundry AI Gateway breidt de mogelijkheden van uw LLM-workflows uit door het bieden van:

Gecentraliseerd LLM Management: Verbind en beheer meerdere modelproviders zoals OpenAI, Anthropic en Hugging Face vanaf één dashboard.

Routing, Rate Limiting, Fallback, Guardrails & Load Balancing: Optimaliseer de stroom van verzoeken, beheer het gebruik, zorg voor veilige outputs, schakel over naar back-ups bij storingen en verdeel het verkeer over meerdere modellen..

Prompt Management: Beheer versies, test en rol prompts terug zonder enige onderbreking van uw live systeem.

Observability, Tracing & Debugging: Bewaak latency, token-gebruik en foutpercentages in realtime, en traceer elk verzoek door uw workflow voor eenvoudiger debuggen en optimaliseren..

Toegangsbeheer, RBAC & Compliance: Bepaal wie toegang heeft tot de bronnen met behulp van role-based access control, en behoud enterprise-grade AI-beveiliging en governance.

Waarom TrueFoundry opvalt 

TrueFoundry ondersteunt meer dan 250 LLMs out-of-the-box, wat u maximale flexibiliteit geeft. Het is ontworpen voor prestaties van productiekwaliteit en biedt caching, rate limiting en geavanceerde analytics. Of u nu een eenvoudige LangChain-sequentie uitvoert of een complex LangGraph-agentnetwerk, het integreert naadloos. 

Met enterprise-ready functies voor compliance, data governance en beveiliging zorgt TrueFoundry ervoor dat uw LLM-workflows niet alleen functioneel zijn, maar ook robuust, schaalbaar en veilig.

Conclusie

Zowel LangChain als LangGraph zijn krachtige tools voor het bouwen van op LLM gebaseerde applicaties, die elk uitblinken in verschillende scenario's. LangChain is ideal voor eenvoudigere, lineaire workflows die profiteren van snelle prototyping en uitgebreide integraties, terwijl LangGraph is ontworpen voor complexe, adaptieve en stateful agent-systemen. Het kiezen van de juiste hangt af van de complexiteit van uw project en uw langetermijndoelen. Ongeacht uw keuze zorgt het koppelen van deze frameworks aan TrueFoundry als uw AI Gateway ervoor dat uw workflows veilig, efficiënt en klaar voor productie zijn. Met de juiste combinatie kunt u met vertrouwen overstappen van concept naar robuuste, schaalbare AI-oplossingen.

Veelgestelde vragen

Vervangt LangGraph LangChain?

Nee. LangGraph en LangChain dienen verschillende doelen. LangChain is geoptimaliseerd voor lineaire, stapsgewijze LLM-workflows en snelle prototyping, terwijl LangGraph is ontworpen voor dynamische, multi-agent en stateful workflows. Elk heeft zijn eigen niche en de een vervangt de ander niet; ze kunnen elkaar aanvullen in complexe systemen.

Kunnen we LangGraph gebruiken zonder LangChain?

Ja. LangGraph kan onafhankelijk functioneren om op grafen gebaseerde workflows, multi-agent-systemen en stateful processen te beheren. Hoewel LangChain-componenten kunnen worden geïntegreerd voor bepaalde taken, heb je LangChain niet nodig om applicaties in LangGraph te bouwen of uit te voeren, wat het flexibel maakt voor complexe workflows zonder lineaire afhankelijkheden.

Is LangGraph eigendom van LangChain?

Nee. LangGraph is ontwikkeld door dezelfde organisatie achter LangChain, maar is een afzonderlijk framework. Het richt zich op op grafen gebaseerde orchestratie en multi-agent workflows. Hoewel ze sommige integraties en ontwerpfilosofieën delen, wordt LangGraph onafhankelijk beheerd en heeft het zijn eigen tools, zoals LangGraph Studio en LangSmith.

Moet ik LangChain leren voordat ik LangGraph leer?

Niet per se. Je kunt direct beginnen met LangGraph, vooral als je applicatie complexe workflows, loops of multi-agent-orchestratie vereist. Bekendheid met LangChain kan echter helpen om modulaire LLM-componenten, prompt chaining en basisworkflows te begrijpen, wat het leerproces van LangGraph voor hybride setups kan versnellen.

Wat zijn de beperkingen van LangGraph?

De complexiteit van LangGraph kan een beperking zijn voor eenvoudige projecten. Het heeft een steilere leercurve dan LangChain, en kleinere workflows worden mogelijk over-engineered met de graafstructuur. Bovendien vereist de multi-agent-orchestratie zorgvuldig state management, planning en monitoring, waardoor het minder ideaal is voor snelle prototyping.

Is LangGraph een superset van LangChain?

Nee. LangGraph is geen superset van LangChain. Hoewel het geavanceerde workflows ondersteunt die LangChain niet efficiënt kan afhandelen, bevat het niet automatisch alle lineaire workflow-utilities of kant-en-klare connectors van LangChain. Het zijn complementaire frameworks, die elk zijn geoptimaliseerd voor specifieke workflowtypes en use cases.

Wat is het verschil tussen LangGraph memory en LangChain memory?

LangChain memory is impliciet en modulair, meestal bedoeld voor kortetermijncontextbehoud zoals chatgeschiedenis. Aan de andere kant is LangGraph memory expliciet, waardoor ontwikkelaars volledige controle krijgen over state tracking, multi-agent-context en langlopende workflows. LangGraph memory is beter geschikt voor complexe, adaptieve systemen, terwijl LangChain memory geschikt is voor lineaire, eenvoudigere taken.