LangChain è più vecchio di ChatGPT. Harrison Chase creò il repository il 17 ottobre 2022 come progetto personale mentre lavorava alla startup ML Robust Intelligence: sei settimane prima del lancio di ChatGPT, che trasformò il collegamento degli LLM a strumenti e dati in un problema di tutti. Il tempismo lo rese la scelta predefinita: quando l’intero settore ebbe improvvisamente bisogno di template per i prompt, retriever e chiamate agli strumenti, esisteva già una libreria con un componente per ciascuna esigenza.
Da allora i numeri sono insoliti per una libreria open source. Nella primavera del 2023 il progetto diventò un’azienda, con un seed round guidato da Benchmark e una Series A guidata da Sequoia. Nell’ottobre 2025 LangChain raccolse 125 milioni di dollari con una valutazione di 1,25 miliardi, in un round guidato da IVP. L’azienda dichiarò 90 milioni di download mensili complessivi per langchain e langgraph e un utilizzo nel 35% delle società Fortune 500. Oggi il repository Python supera le 146.000 stelle su GitHub. E non è mai stato solo per Python: LangChain.js esiste dall’inizio del 2023, un dettaglio importante per chi lavora con Node.js e TypeScript.
È diventato anche uno dei framework più criticati nell’ingegneria AI. Le prime versioni di LangChain avvolgevano tutto — prompt, catene, agenti, memoria — in livelli di astrazione. Molti team si sono ritrovati a fare debug del framework invece che del proprio prodotto; alcuni lo hanno rimosso pubblicamente. Il team ha ascoltato: LangChain 1.0, uscito il 22 ottobre 2025, è stato riscritto per essere più snello e più deciso nelle sue scelte. Il nucleo offre ora un unico punto d’ingresso — createAgent in TypeScript, create_agent in Python — basato sul runtime LangGraph, con hook middleware attorno alle chiamate al modello e agli strumenti. Non sono previste modifiche incompatibili prima della versione 2.0.
L’ecosistema comprende in realtà tre prodotti. LangChain è l’API di alto livello per modelli, strumenti e agenti. LangGraph è il runtime di livello inferiore: agenti modellati come grafi con stato esplicito, esecuzione durevole e passaggi con intervento umano — la sede giusta per i flussi di lavoro di lunga durata. LangSmith è la parte commerciale dedicata a tracing, valutazioni e deployment, e funziona anche senza LangChain. Nella pratica, spesso è LangSmith che i team mantengono dopo aver semplificato tutto il resto.
La mia regola: per una singola chiamata al modello con output strutturato non mi serve un framework. L’SDK di OpenAI o Anthropic insieme a uno schema Zod o Pydantic è più breve e più facile da debuggare. Scelgo l’ecosistema LangChain quando il problema è davvero da agente: più strumenti, tentativi ripetuti, diramazioni, stato che deve sopravvivere a un riavvio o una persona che approva un passaggio prima che si muova denaro. È qui che il grafo esplicito e i checkpoint di LangGraph fanno risparmiare più codice di quanto ne aggiungano, in TypeScript e in Python.
Mi piace questo dettaglio: oggi LangChain non vende più catene. Il nome risale al 2022, quando collegare un prompt a un altro era la frontiera. Nel 2026 il prodotto è l’ingegneria degli agenti: runtime, osservabilità e valutazione. La vera lezione per chi sceglie uno stack AI è scegliere gli strumenti in base al problema di quest’anno, tenere la chiamata al modello dietro un’interfaccia propria e poter tracciare ogni passaggio quando qualcosa va storto.
Dai al prossimo prodotto qualcuno che resti.
Pronto a iniziare? Scrivimi: posso cominciare subito e restare. Collaborazioni a lungo termine, non passaggi di consegne dopo due settimane. Parliamo del progetto, dei requisiti e del modo migliore per procedere.