LangChain入門──LLMアプリ開発の始め方【2026年ガイド】

3行まとめ

1. LangChainはLLMアプリ開発のOSSフレームワークで、2026年8月27日時点の最新版はv1.3.17（PyPI公開日: 2026-08-25）
2. エージェント構築にはLangGraph v1.1（型安全ストリーミング対応）、本番運用の監視にはLangSmith（無料枠5,000トレース/月）が用意されている
3. LlamaIndexとは「エージェント寄りかRAG寄りか」で使い分けるのが基本で、検索レイヤーにLlamaIndex・オーケストレーション層にLangGraphを併用するパターンもある

LangChainとは何か

LangChainは、LLM（大規模言語モデル）を組み込んだアプリケーションを開発するためのオープンソースフレームワークだ。2022年にHarrison Chaseが公開し、GitHubスター数は「10万超」（AI Career Japan、2026年4月時点）に達している。GitHub公式リポジトリを2026年8月27日に直接確認したところ、スター数は145,054だった（この記事の出典5件には具体的なスター数の記載はない）。

Python版とJavaScript/TypeScript版が用意されており、PythonではPyPIから以下のコマンドでインストールできる。

pip install langchain

2026年8月27日時点の最新安定版はv1.3.17（PyPI公開日: 2026-08-25、PyPI公式JSON API https://pypi.org/pypi/langchain/json で確認済み。執筆時点2026年6月18日の最新はv1.3.10だった）。コアライブラリのlangchain-coreのバージョンは、この記事の出典5件に記載がなく、PyPI該当ページもアクセス制限で確認できなかったため未掲載（2026-08-27修正：元は「v1.4.8が最新」と記載していたが出典未確認のため削除）。

LangChainが解決する課題を一言でまとめると、LLMの呼び出し・外部データの接続・ツール利用・会話の状態管理といった「つなぎの部分」を標準化することだ。LLMのAPI呼び出し自体は数行で書けるが、実用的なアプリにするには検索、メモリ、エラーハンドリング、複数ステップの制御フローなど多くの周辺コードが必要になる。LangChainはこれらを抽象化する。

コアコンセプト

LangChainの設計は、以下の概念を軸に構成されている。

1. Model I/O（モデルの入出力）

LLMとのやり取りを抽象化するレイヤーだ。Claude（Anthropic）、GPT（OpenAI）、Gemini（Google）、Ollamaなど主要プロバイダーに対応しており、モデルの初期化部分を変えるだけでプロバイダーを切り替えられる（AI Career Japan）。

from langchain_anthropic import ChatAnthropic

llm = ChatAnthropic(model="claude-sonnet-4-20250514")
response = llm.invoke("LangChainとは何ですか？")

プロンプトテンプレート（PromptTemplate）を使えば、変数を埋め込んだプロンプトを再利用可能な形で管理できる。

2. Chain（チェーン）

複数の処理をパイプラインとしてつなぐ仕組みだ。たとえば「プロンプト作成 → LLM呼び出し → 出力パース」を1つのChainとして定義する。v0.3以降はLangChain Expression Language（LCEL）という記法で、|演算子を使って宣言的に記述できる。

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template("{topic}について3行で説明して")
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"topic": "RAG"})

3. Retriever（検索）

外部のデータソースから情報を取得する仕組みで、RAG（検索拡張生成）の構築に使う。ベクトルデータベースとの接続が代表的な用途で、Pinecone、Chroma、Weaviateなど主要なベクトルDBに対応している。

RAGの仕組みと実装方法については別記事で詳しく解説している。

4. Agent（エージェント）

LLMが「どのツールを使うか」「次に何をするか」を自律的に判断しながらタスクを実行する仕組みだ。Web検索、データベースクエリ、計算、ファイル操作など、外部ツールを呼び出す能力を持たせることで、単なるテキスト生成を超えた実用アプリが構築できる。

5. Tool（ツール）

エージェントが呼び出せる外部機能のこと。LangChainには検索API、数学計算、Pythonコード実行などの組み込みツールがあるほか、独自のツールを定義することもできる。DEV Communityの比較記事は「ほぼすべてのサービスと統合できる」と定性的に評価しているが、具体的なインテグレーション数は記載されていない。

LangGraph — エージェント構築の本命

2026年時点で、LangChainでエージェントを構築する場合の推奨手段はLangGraphだ。LangChainの旧来のAgentExecutorに代わり、より柔軟で制御しやすいフレームワークとして位置付けられている。

LangGraphの特徴

LangGraphは、エージェントのワークフローを有向グラフとして表現する。ノードが処理、エッジが遷移を担い、状態（State）が各ノード間で共有される。

2026年3月にリリースされたLangGraph v1.1では以下の機能が追加された（LangChain公式ニュースレター）：

• 型安全ストリーミング: ストリーム出力に型情報が付与される
• 型安全invoke: 入出力の型チェックが強化された
• Pydantic/dataclassの自動変換: 状態定義がより簡潔に書ける
• 完全な後方互換性が維持されている

マルチエージェントパターン

LangGraph Tutorialが解説しているマルチエージェントパターンを整理すると以下のようになる（LangGraph Tutorial）：

出典には「Collaborative」という名称のパターンや、エージェント同士がメッセージキューで協調する仕組みの記載はなかった（2026-08-27修正）。

AIエージェントの基本概念については別記事も参照してほしい。

LangSmith — 本番運用の監視・評価ツール

LangSmithは、LangChainが提供するSaaS型の可観測性・評価プラットフォームだ。LLMアプリの開発からデバッグ、本番監視までをカバーする。

主な機能

• トレーシング: チェーンやエージェントの各ステップを可視化し、レイテンシやトークン使用量を追跡
• 評価（Evaluation）: テストデータセットに対してLLMの出力品質を定量評価
• プロンプト管理: プロンプトのバージョン管理と共有
• Insights Agent: トレースを自動分析し、使用パターンや障害モードを検出（2026年1月リリース、LangChain Newsletter）

2026年3月にはLangSmith Fleet（旧Agent Builder）が発表され、エージェントのID管理・共有・権限制御が可能になった。またLangSmith Sandboxes（プライベートプレビュー）で、エージェントにロックダウンされた一時実行環境を提供する機能も追加された（LangChain Newsletter）。

料金体系（2026年6月時点）

PE Collectiveの調査に基づく料金を以下に整理する。

個人開発やプロトタイピングならDeveloperプランで十分始められる。LLMアプリの枠を超えて、従来型の機械学習モデルまで含めた実験管理・監視ツールを比較したい場合はW&B / MLflow比較記事が参考になる。

LangChain vs LlamaIndex — どう使い分けるか

LangChainとよく比較されるのがLlamaIndexだ。2026年時点での使い分けを、実際に両方を本番運用しているチームの声（DEV Community）から整理する。

（GitHubスター数・インテグレーション数・コード量・レイテンシの具体的な比較数値は、この記事の出典5件のいずれにも記載がなかったため掲載しない。2026-08-27修正）

使い分けの目安（DEV Community）:

• エージェント中心（ツール呼び出し、マルチステップ推論、状態管理が重要）→ LangChain / LangGraph
• 検索中心（ドキュメント検索の精度、インデックス最適化が重要）→ LlamaIndex
• 両方必要 → LlamaIndexを検索レイヤー、LangGraphをオーケストレーション層として併用

学習ロードマップ

Pythonの基礎知識がある前提で、以下の順序で学ぶのが効率的だ。

1. Chain: プロンプトテンプレート → LCEL → 基本的なChain作成
2. RAG: ドキュメントローダー → テキスト分割 → ベクトルDB接続 → Retrieval Chain
3. Agent: Tool定義 → LangGraphの基本グラフ → 状態管理
4. LangSmith: トレーシング設定 → 評価の実行

所要日数の目安はAI Career Japanの記事によれば、Chain・RAG・Agentの基本だけなら「1日で理解できる」、LangGraphやLangSmithを含めた本番レベルのアプリ開発までなら「1〜2週間」とされている（2026-08-27修正：元の記述「Chain 1-2日・RAG 2-3日・Agent 2-3日・LangSmith 1日」という内訳は、この出典には存在しなかった）。

プログラミング未経験からのAI開発ロードマップも参考にしてほしい。

LLMのAPI利用にはプロバイダーごとの料金がかかる。OpenAI APIの料金体系を事前に確認しておくとよい。

注意点と制約

LangChainを使う上で把握しておくべき点を挙げる。

• バージョンの変化が速い: v0.2 → v0.3 → v1.xでAPIが大幅に変わっている。2024年以前のチュートリアルはそのままでは動かないことが多い
• 抽象化のコスト: フレームワークを挟む分、デバッグが難しくなる場合がある。シンプルなAPI呼び出しだけならフレームワークなしの方が早い
• LangSmithへの依存: トレーシングや評価はLangSmithに誘導される設計になっている。OSSの代替（Arize Phoenix、Langfuseなど）も選択肢として存在する
• ロックインのリスク: LangChain固有の抽象に依存すると、他フレームワークへの移行コストが発生する

まとめ

LangChainは、LLMアプリ開発の「つなぎの部分」を標準化するフレームワークとして、2026年時点でも主要な選択肢の1つだ。エージェント構築にはLangGraph、本番運用にはLangSmithという明確な役割分担があり、エコシステムとして成熟が進んでいる。

一方で、RAG特化ならLlamaIndex、シンプルな用途ならフレームワークなしという選択肢も検討する価値がある。「何を作るか」に応じて判断するのが現実的だ。