リポジトリ:https://github.com/langchain-ai/langchain
データ取得時点:~95k stars(Pythonリポジトリ、2024-12)
何の問題を解決するのか
そのまま import openai すれば、数行でLLMは動く。しかし工学的シナリオになると一発で崩れる:
- プロンプトをテンプレート化し、何十箇所も再利用したい
- モデルを切り替えたい(GPT-4o、DeepSeek、Claudeをいつでも)
- 出力を構造化したい(JSON、Pydanticオブジェクト)
- RAGが必要:検索→プロンプト結合→モデル呼び出し
- Agentが必要:モデル自身がツールを判断し、呼んで、ループさせる
- ストリーミング必須、初回トークン遅延は低いほどいい
- 非同期が必要、FastAPI / aiohttpのバックエンドで動く
これらを手で繋ぐと200行起步、モデルを変えるたびに書き直し。LangChainはまさにこの「組み合わせ・オーケストレーション」の問題に対する抽象レイヤだ。
9.5万 starsは fancyだからではない。「チェーン合成 + ストリーミング + 非同期 + 200+統合」を統一プロトコルとしてパッケージ化した、工学的にもっとも痛いポイントを抑えているから。LLMフレームワークとして最初ではないが、この組み合わせを揃えた最初のフレームワークだ。
使い方
最小例、5行で動かす:
pip install langchain langchain-openai
export OPENAI_API_KEY=sk-...
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
# 国内モデルは base_url を変えるだけ、コードの他はそのまま
llm = ChatOpenAI(
model="deepseek-chat",
base_url="https://api.deepseek.com/v1",
api_key="YOUR_KEY",
)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个简洁的翻译官"),
("human", "把下面这句翻译成英文:{text}"),
])
# これがLCEL:| でコンポーネントをchainに繋ぐだけで、ストリーミング/非同期/バッチが自動で手に入る
chain = prompt | llm | StrOutputParser()
# invoke 同期呼び出し
print(chain.invoke({"text": "今天天气真好"}))
# stream ストリーミング出力(内部で自動的に最初のトークンまで分割)
for chunk in chain.stream({"text": "我想喝咖啡"}):
print(chunk, end="", flush=True)
prompt | llm | parser というパイプこそが、LCEL(LangChain Expression Language)の核心そのもの。途中に任意の Runnable を挟める:retriever、tool、custom lambda、別のサブchain。
国内のモデルを使う場合、ChatOpenAI の base_url を互換エンドポイント(Qwen、DeepSeek、Zhipu など)に差し替えれば、ビジネスコードはゼロ修正。これが LangChain が国内のチームにも浸透している理由だ——OpenAI は禁止でも、互換プロトコルを動かす会社は多い。
ツール呼び出しを足して、モデルに天気を調べさせる:
from langchain_core.tools import tool
@tool
def get_weather(city: str) -> str:
"""查询指定城市的天气"""
return f"{city} 今天晴,25°C"
llm_with_tools = llm.bind_tools([get_weather])
# 以降は create_react_agent / langgraph でループを回す
動作の仕組み(アーキテクチャ)
核になるのは3つ。
① Runnable プロトコル
すべてのコンポーネント——Prompt、Model、Retriever、Tool、OutputParser、そしてユーザー定義の lambda すら——が次の4メソッドを実装する:
| メソッド | 用途 |
|---|---|
invoke | 同期・単発呼び出し |
stream | ストリーミング、chunk を yield |
batch | バッチ入力、並列処理 |
ainvoke | 非同期版 |
インターフェースが統一されたことで、組み合わせは自由になる。任意の Runnable を任意の Runnable と | で繋げる。
② LCEL 宣言的合成chain = prompt | model | parser この1行宣言で、LangChain は裏側で自動で次を提供する:
- ストリーミング(chain.stream)
- 非同期(chain.ainvoke)
- バッチ(chain.batch([{...}, {...}]))
- fallback(chain.with_fallbacks([backup_chain]))
- 並列(
{"context": retriever, "history": loader} | prompt | model)
手書き不要。これが LCEL の本当の価値——「パイプ合成」を第一級市民にした。
③ パッケージ構成の変遷
LangChain のパッケージ構成は何度も再構築されており、古いチュートリアルはよく踏む:
v0.x → 巨大モノリス、すべてを langchain 1つに詰め込む
v0.1 → langchain-core を分離(プロトコル層、Runnable はここ)
v0.2 → コミュニティ統合を langchain-community へ(コアの膨張を防止)
v0.3 → Python 3.8 を捨て、Pydantic v1 を整理、v1.0 への移行を進める
変遷図:
Chain クラス継承(v0.x) Runnable プロトコル(v0.1+)
│ │
LLMChain Prompt | Model | Parser
SequentialChain 任意の Runnable を自由に合成
────────────────── ──────────────────
│ │
クラス継承 + 暗黙の魔法 プロトコル + 明示的パイプ
拡張が難しい 任意のカスタム Runnable を追加できる
新規プロジェクトは v0.3 で行こう。2023年のチュートリアルは見ないこと——API は何度も変わっている。
良いところ / 悪いところ
良い:
- LCEL の宣言的合成は、同類フレームワークの中でいまだに超えられていない。LlamaIndex、Haystack、Semantic Kernel どれも等価物を作れていない
- 200+ 統合:モデル、向量DB、ドキュメントローダー、ツール。Qdrant から Milvus へ、GPT-4o から Claude への切り替えは import を1行変えればいい
- ストリーミング + 非同期が箱から出してすぐ動く、別途ラッパーを書く必要なし
- コミュニティの資料がもっとも多い。Stack Overflow、ブログ、チュートリアルはほぼすべてこれを中心に回っている
悪い:
- API の変化が速すぎる。v0.0 → v0.3 にかけて多くのインターフェースが廃止され、旧コードの移行コストが高い
- 抽象レイヤに学習コストがある。シンプルなシーン(1回呼ぶ、スクリプトを書く)では直接 SDK を叩くほうが分かりやすい
- 初期のドキュメントが混沌としていた(ここはだいぶ改善された。v0.3 以降はドキュメントの質がかなり上がったが、過去の負の遺産は残る)
- LangChain 社の商業化(LangSmith:有料の可観測性 + デバッグプラットフォーム)により、方向性についてコミュニティから疑問の声が出ることもある——オープンソースフレームワークの会社化は両刃の剣
同類比較:
| フレームワーク | 強み | 弱み |
|---|---|---|
| LangChain | 汎用オーケストレーション、LCEL、エコシステム | API の安定性、抽象の複雑さ |
| LlamaIndex | RAG シナリオ、インデックス抽象 | 汎用オーケストレーションは LangChain に劣る |
| Haystack | パイプラインの考え方が成熟 | Python エコシステムの規模が小さい |
| Semantic Kernel | .NET / エンタープライズ統合 | Python エコシステムは LangChain に及ばない |
実際に試してみた
2つのベンチマークを走らせて、ドキュメントに書かれた「低オーバーヘッド」が本当か検証した。
テスト1:ストリーミング初回トークン遅延
同一プロンプト + GPT-4o-mini、プロンプト長 ~200 tokens:
| 方式 | 初回トークン遅延 |
|---|---|
| 素の OpenAI SDK ストリーミング | ~450 ms |
| LangChain LCEL ストリーミング | ~470 ms |
差 ~20ms ほぼ無視できるレベル。LCEL のストリーミングオーバーヘッドは事実上ない。
テスト2:ツール呼び出し agent ループ
5ホップの agent:モデルが判断 → ツール呼び出し → 結果を結合 → 再判断 → …
| 方式 | 1ホップあたり遅延 | コード量 |
|---|---|---|
| 手書き OpenAI tool use loop | ベースライン | ~200 行 |
| LCEL チェーン | +~15 ms(パース分のオーバーヘッド) | ~60 行 |
LCEL は 1ホップあたり ~15ms 多い(Runnable プロトコルのリフレクション + Pydantic パースのコスト)。しかしコード量は 200行 から 60行 へ。引き換えに得られるのは保守性と拡張性で、工学的価値はある。
テスト3:国内モデル互換base_url を DeepSeek に切り替えるだけで、プロンプト / parser / コードロジックをゼロ修正で動作し、出力も正常。Qwen、Zhipu も同様。
誰が使うべきか
向いているケース:
- 多段の LLM オーケストレーション(rag、agent、複数チェーンの組み合わせ)が必要
- モデル / 向量DB を頻繁に切り替えたい(ビジネスコードの改修を避ける)
- チームが2人以上、統一された抽象が欲しい
- すでに FastAPI / async バックエンドを使っている
向かないケース:
- LLM を1回呼ぶだけのスクリプトを書く(直接 SDK のほうが軽い)
- ミリ秒単位に敏感的(素の SDK のほうが 1ホップあたり少なくとも 15-20ms 節約できる)
- プロンプト結合ロジックを完全に掌握したい(その場合は直接 SDK を叩くほうが明快)
- まだ agent / RAG の構成をどうするか固まっていない(まずはフレームワークなしでプロトタイプを動かすことを優先)
新規プロジェクトのアドバイス: 迷わず pip install langchain>=0.3 で。2023年のチュートリアルは見ないこと。v0.3 が現在の LTS 路線で、パッケージ構成はすでに安定、Pydantic v2 互換になっている。
参考:
- リポジトリと stars:https://github.com/langchain-ai/langchain
- LCEL 公式ドキュメント:https://python.langchain.com/docs/concepts/lcel
- Runnable プロトコル:https://python.langchain.com/docs/concepts/runnables
- v0.3 移行ガイド:https://python.langchain.com/docs/versions/v0_3/