LangChain jest starszy od ChatGPT. Harrison Chase utworzył repozytorium 17 października 2022 roku jako projekt poboczny, pracując w startupie ML Robust Intelligence — sześć tygodni przed premierą ChatGPT, która sprawiła, że łączenie LLM-ów z narzędziami i danymi stało się problemem wszystkich. Idealny moment uczynił LangChain domyślnym wyborem: gdy branża nagle potrzebowała szablonów promptów, retrieverów i wywołań narzędzi, biblioteka miała już osobny komponent do każdego z tych zadań.
Późniejsze liczby są nietypowe jak na bibliotekę open source. Wiosną 2023 roku projekt stał się firmą: pozyskał rundę seed od Benchmark oraz rundę Series A prowadzoną przez Sequoia. W październiku 2025 LangChain zebrał 125 mln dolarów przy wycenie 1,25 mld dolarów w rundzie prowadzonej przez IVP. Firma podała łącznie 90 mln miesięcznych pobrań langchain i langgraph oraz wykorzystanie w 35% spółek z listy Fortune 500. Repozytorium Pythona ma dziś ponad 146 tys. gwiazdek na GitHubie. LangChain nigdy nie był zresztą wyłącznie dla Pythona: LangChain.js istnieje od początku 2023 roku, co ma znaczenie dla produktów opartych na Node.js i TypeScript.
Framework stał się też jednym z najczęściej krytykowanych w inżynierii AI. Wczesne wersje LangChain opakowywały wszystko — prompty, łańcuchy, agentów i pamięć — w warstwy abstrakcji. Wiele zespołów zamiast własnego produktu debugowało framework; niektóre publicznie go usunęły. Zespół wyciągnął wnioski: LangChain 1.0, wydany 22 października 2025 roku, przepisano tak, by był mniejszy i bardziej zdecydowany. Rdzeń ma teraz jeden punkt wejścia — createAgent w TypeScript i create_agent w Pythonie — działający na runtime LangGraph, z hookami middleware wokół wywołań modelu i narzędzi. Do wersji 2.0 nie mają pojawić się zmiany łamiące zgodność.
Ekosystem składa się tak naprawdę z trzech produktów. LangChain to wysokopoziomowe API do modeli, narzędzi i agentów. LangGraph jest runtime’em niższego poziomu: agentami jako grafami z jawnym stanem, trwałym wykonaniem i krokami z udziałem człowieka — tam trafiają długotrwałe procesy. LangSmith to komercyjna część obejmująca tracing, ewaluacje i wdrażanie; działa także bez LangChain. W praktyce to LangSmith często zostaje w zespołach, gdy upraszczają resztę.
Moja zasada: do pojedynczego wywołania modelu ze strukturalnym wynikiem nie potrzebuję frameworka. SDK OpenAI lub Anthropic ze schematem Zod albo Pydantic jest krótsze i łatwiejsze w debugowaniu. Sięgam po ekosystem LangChain, gdy problem rzeczywiście pasuje do agenta: wiele narzędzi, ponawianie prób, rozgałęzienia, stan, który musi przetrwać restart, albo człowiek zatwierdzający krok przed przepływem pieniędzy. Wtedy jawny graf LangGraph i punkty kontrolne oszczędzają więcej kodu, niż go dodają — zarówno w TypeScript, jak i Pythonie.
Podoba mi się jeden szczegół: LangChain nie sprzedaje już łańcuchów. Nazwa pochodzi z 2022 roku, gdy łączenie jednego promptu z kolejnym było nowatorskie. W 2026 roku produktem jest inżynieria agentów: runtime, obserwowalność i ewaluacja. To właściwa lekcja przy wyborze stosu AI: dobierać narzędzia do problemu, który ma się w tym roku, trzymać wywołanie modelu za własnym interfejsem i móc prześledzić każdy krok, gdy coś pójdzie nie tak.
Daj kolejnemu produktowi kogoś, kto zostanie.
Chcesz zacząć? Napisz do mnie — mogę rozpocząć od razu i zostać na dłużej. Długoterminowa współpraca, nie przekazanie projektu po dwóch tygodniach. Omówmy projekt, wymagania i najlepszy sposób realizacji.