LangChain est plus ancien que ChatGPT. Harrison Chase a créé le dépôt le 17 octobre 2022, comme projet personnel alors qu’il travaillait chez Robust Intelligence, une jeune entreprise de ML — six semaines avant le lancement de ChatGPT, qui a fait de la connexion des LLM aux outils et aux données un enjeu pour tout le monde. Le moment était idéal : quand l’industrie a soudain eu besoin de modèles de prompts, de retrievers et d’appels d’outils, une bibliothèque proposait déjà un composant pour chacun.
Depuis, les chiffres sont inhabituels pour une bibliothèque open source. Au printemps 2023, le projet est devenu une entreprise, avec un tour d’amorçage mené par Benchmark puis une série A dirigée par Sequoia. En octobre 2025, LangChain a levé 125 millions de dollars pour une valorisation de 1,25 milliard, sous la direction d’IVP. L’entreprise a annoncé 90 millions de téléchargements mensuels cumulés de langchain et langgraph et une adoption dans 35 % des sociétés du Fortune 500. Le dépôt Python dépasse aujourd’hui 146 000 étoiles GitHub. Et LangChain n’a jamais été limité à Python : LangChain.js existe depuis le début de 2023, un point important pour les produits Node.js et TypeScript.
Le framework est aussi devenu l’un des plus critiqués de l’ingénierie IA. Les premières versions de LangChain enveloppaient tout — prompts, chaînes, agents, mémoire — dans des couches d’abstraction. Beaucoup d’équipes se sont retrouvées à déboguer le framework au lieu de leur produit ; certaines l’ont retiré publiquement. L’équipe a entendu ces critiques : LangChain 1.0, sorti le 22 octobre 2025, a été réécrit pour être plus léger et plus prescriptif. Le cœur tient désormais en un point d’entrée — createAgent en TypeScript, create_agent en Python — exécuté sur le runtime LangGraph, avec des hooks middleware autour des appels au modèle et aux outils. Aucune rupture de compatibilité n’est promise avant la version 2.0.
L’écosystème regroupe en réalité trois produits. LangChain est l’API de haut niveau pour les modèles, les outils et les agents. LangGraph est le runtime de niveau inférieur : des agents représentés en graphes avec un état explicite, une exécution durable et des étapes impliquant un humain — c’est là que vivent les workflows de longue durée. LangSmith est le volet commercial consacré au traçage, aux évaluations et au déploiement ; il fonctionne même sans LangChain. En pratique, c’est souvent LangSmith que les équipes gardent après avoir simplifié le reste.
Ma règle : pour un seul appel de modèle avec une sortie structurée, je n’ai pas besoin d’un framework. Le SDK d’OpenAI ou d’Anthropic, associé à un schéma Zod ou Pydantic, est plus court et plus simple à déboguer. Je me tourne vers l’écosystème LangChain quand le problème est réellement de nature agentique : plusieurs outils, des tentatives répétées, des embranchements, un état qui doit survivre à un redémarrage ou une personne chargée d’approuver une étape avant tout mouvement d’argent. C’est là que le graphe explicite et les points de reprise de LangGraph économisent plus de code qu’ils n’en ajoutent, en TypeScript comme en Python.
J’aime ce détail : ce que LangChain vend aujourd’hui, ce ne sont plus des chaînes. Le nom date de 2022, quand « enchaîner un prompt après l’autre » était à la pointe. En 2026, le produit, c’est l’ingénierie des agents : runtime, observabilité et évaluation. La vraie leçon pour choisir une pile IA : choisir les outils en fonction du problème de cette année, garder l’appel au modèle derrière sa propre interface et pouvoir retracer chaque étape lorsqu’un incident survient.
Donnez à votre prochain produit quelqu’un qui reste.
Prêt à commencer ? Écrivez-moi — je peux démarrer immédiatement et rester dans la durée. Des collaborations à long terme, pas une passation après deux semaines. Discutons de votre projet, de vos exigences et de la meilleure façon d’avancer.