AI

LangChainとは?仕組み・できること・使い方と採用判断【1.5対応】

LangChainとは?仕組み・できること・使い方と採用判断【1.5対応】

LangChain(ラングチェーン)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作るためのオープンソースのフレームワークです。モデルの呼び出し、文書の検索、外部ツールの実行といった定型処理を共通の書き方で組み合わせられるため、RAGやAIエージェントの開発で広く使われています。本記事は2026年11月11日公開の1.5.0を前提に、定義と現在の構成、できること、インストールから会話を覚えるエージェントまでの手順、ネット上に多い0.x系の解説との対応、採用すべきでない場面までを解説します。

まとめ:LangChainの要点と採用・不採用の結論

LangChainの価値は、LLMアプリで毎回必要になる部品(モデル接続・文書処理・検索連携・ツール呼び出し)を、特定のモデルに依存しない共通の書き方で組める点にあります。1.0(2025年10月)以降はエージェントを作るcreate_agentが入口に一本化され、その内部はLangGraphで動きます。2026年9月の1.4.0からはMCPサーバーのツールを本体だけで呼べるようになりました。

版の現在地は、PyPIのlangchainパッケージで1.5.0(2026年11月11日公開)、ライセンスはMITです。1.5.0からPython 3.10のサポートが外れ、3.11以上が必要になりました。3.10の環境では1.4系までしか入りません。

採用の線引きは単純です。複数モデルの併用や乗り換え、RAGやエージェントのような多段構成、構築後の部品の組み替えのいずれかを見込むなら使う価値があります。1つのモデルに1回問い合わせるだけの用途なら、各社の公式SDKを直接使うほうが短く書けて、障害時の調査も楽です。

LangChainの定義と構成:1.x系の変更点

LangChainの定義:モデル・データ・ツールを共通の書き方でつなぐOSS

LangChainは、LLMを使うアプリに共通して要る処理を再利用できる部品として提供するライブラリ群です。各社LLM(大規模言語モデル)への接続、プロンプトとメッセージの組み立て、文書の分割、ベクトル検索との連携、外部ツールの呼び出しが揃っています。名前の由来は、処理を鎖(チェーン)のようにつなぐ初期の発想です。

ただし今の公式の自己紹介はチェーンの道具箱ではありません。GitHubの公式リポジトリは自らを「エージェントエンジニアリングのプラットフォーム」と説明しています。言語はPython版とJavaScript/TypeScript版があり、本記事は利用者の多いPython版で説明します。

開発元と経緯:2022年の公開から1.5までの版の流れ

LangChainは、Harrison Chase氏が2022年終盤に個人のGitHubアカウントで公開したPythonパッケージとして始まりました。2023年初めにAnkush Gola氏と共同で同名の会社を設立し、公式の会社紹介によれば本社は米国サンフランシスコ、ニューヨーク・ボストン・アムステルダムにも拠点があります。「どこの国のツールか」と聞かれれば米国企業のOSSです。2026年11月13日には、Series Cで3億ドルを評価額30億ドルで調達したと発表しました。

版の流れは次のとおりです。0.x系は破壊的変更が多く、1.0以降は安定性を重視する方針に変わりました。

時期 版 主な変化
2022年10月 0.0系 OSSとして公開
2025年10月 1.0 create_agentとミドルウェアを導入
2026年9月3日(PyPI公開) 1.4.0 MCP対応を本体に内蔵
2026年10月14日 1.4.6 承認をツール呼び出し単位で止める設定
2026年11月11日 1.5.0 Python 3.11以上に引き上げ

1.5.0の追加点は、公式のchangelogによれば、テキストや状態について型付きの判定を返すDecisions API(langchain_core.decisions)と、それを使って実行ごとにモデルを選ぶModelRouterMiddleware、危険なツール呼び出しを止めるAutoModeMiddlewareです。2つのミドルウェアはベータ扱いなので、本番では版を固定して使ってください。

エコシステム:LangGraph・LangSmith・Deep Agentsとの役割分担

LangChainは単体のライブラリではなく、役割の違う製品群の一部です。LangGraphはエージェントの処理を状態・ノード・辺のグラフとして書く実行基盤で、create_agentの戻り値もLangGraphのグラフ(CompiledStateGraph)です。LangSmithは実行の記録・評価・デプロイを担う運用サービス(無料枠あり)、Deep Agentsは長時間動く自律エージェントを組む上位層にあたります。

学ぶ順番は、LangChainのcreate_agentから始め、分岐や差し戻しを自分で設計したくなった時点でLangGraphへ降りる、が無理のない流れです。両者の境界はLangChainとLangGraphの違いと使い分けでコードを並べて比べています。

LangChainでできること:RAG・エージェント・モデル切り替え・MCP連携

RAGの構築:文書の読み込み・分割・検索の部品構成

代表的な用途がRAG(検索拡張生成)です。文書を読み込み、検索しやすい単位に分割し、ベクトル化して検索基盤に入れ、質問時に関連箇所を取り出して回答させる。この工程ごとに部品があり、分割はlangchain-text-splitters、ベクトルDBや埋め込みとの接続はlangchain-openaiのような製品ごとの連携パッケージが受け持ちます。

古い記事で文書ローダーの置き場として紹介されるlangchain-communityには注意が要ります。GitHubでの告知のとおり、2026年5月22日に開発終了(sunset)が発表され、同日公開の0.4.2が最終版です。新規の構成では、使うベクトルDBや文書形式の連携パッケージが単独で出ていないかを先に確かめてください。

効くのは構築初期の比較検証です。RAGの精度は分割の粒度や埋め込みモデル、検索方式の組み合わせで大きく変わるため、部品を差し替えて何度も測ることになります。工程全体の設計はRAG構築の手順と技術スタックで扱っています。

AIエージェントの開発:ツール呼び出しと人の承認の組み込み

2つ目が、LLMに状況を判断させてツールを使い分けるエージェントです。検索・計算・社内API呼び出しといった関数をツールとして渡すと、モデルがどれをいつ呼ぶかを決め、結果を見て次の行動を選ぶループが組み上がります。エージェントという仕組み自体はAIエージェントとは?生成AI・ChatGPTとの違いで整理しています。

業務システムで問われるのは自由度と統制の両立です。メール送信や発注のように取り消せない操作の前で止めて人の承認を待つ、個人情報をモデルに渡す前に伏せ字にする、といった要件は、後述のミドルウェアを指定するだけで入ります。

モデルの切り替え:GPT・Claude・Gemini・ローカルLLMの共通インターフェース

3つ目が特定ベンダーへの依存を薄める抽象化です。モデルは"openai:gpt-6.1-sol"のような「プロバイダ:モデル名」の文字列で指定し、切り替えには、プロバイダと対応するモデル名の変更に加え、連携パッケージや認証情報の準備が必要です。公式クイックスタートにはOpenAI・Google・Anthropic・OpenRouter・Fireworks・Baseten・Ollamaの例が並び、Ollamaを使えばローカルLLMにも同じコードで切り替えられます。

応答の中身も共通化されています。推論過程・テキスト・ツール呼び出しはcontent_blocksという共通形式で取り出せ、1.5.0ではOpenAIとAnthropicの回答拒否も共通のrefusalブロックで返るようになりました。難しい判断は上位モデル、大量の定型処理は軽量モデル、と処理ごとにモデルを分けて費用を抑える構成も、この共通化があるから後から組めます。

MCPサーバーのツール利用:1.4.0から本体に入ったMCPAdapter

MCPとLangChainは役割が異なります。MCP(Model Context Protocol)はツールやコンテキストの提供方法を標準化するプロトコルで、LangChainはモデルとツールを組み合わせてエージェントを構築するフレームワークです。公式のMCPガイドによると、1.4.0以降はlangchain.mcpのMCPAdapterがサーバーのツールを検出し、そのままcreate_agentに渡せる形に変換します。以前の別パッケージlangchain-mcp-adaptersはこれに置き換わりました。

pip install "langchain[mcp]"
from langchain.agents import create_agent
from langchain.mcp import MCPAdapter


async def main():
    async with MCPAdapter("https://example.com/mcp") as adapter:
        tools = await adapter.list_tools()
        agent = create_agent("claude-sonnet-4-6", tools)
        return await agent.ainvoke(
            {"messages": [{"role": "user", "content": "..."}]}
        )

接続先はURLならStreamable HTTP、Pathで渡したスクリプトならstdioのサブプロセスと、渡した値から通信方式を判断します。2026年11月15日に1.5.0(fastmcp 4.2.0)で、同じプロセス内に立てたFastMCPサーバーの足し算ツールをMCPAdapter経由で呼び、結果5が返ることを確かめました。langchain.mcpはまだベータで、import時にプロセスごとに1回、LangChainBetaWarningが出ます。APIが変わる前提で版を固定してください。

インストールから会話を覚えるエージェントまで:1.5.0で動かす手順

ここからのコードは、2026年11月15日にmacOS上のPython 3.12仮想環境へlangchain 1.5.0・langchain-core 1.8.0・langgraph 1.2.22を入れて実行したものです。APIキーを使わない確認はテスト用の偽モデルで行い、モデル名の部分は契約中のものに置き換えてください。

LangChainのインストール:Python 3.11以上と連携パッケージの準備

本体と、使うプロバイダの連携パッケージを入れます。注意点は版の要件で、公式のインストール手順は11月15日時点でも「Python 3.10+」と書いていますが、1.5.0のPyPIの要件は3.11以上です。版を指定せずに入れると3.10の環境ではエラーにならず1.4系が入るため、下の例では検証した版を固定し、入れた直後に版を表示して確かめます。

python3 --version   # 3.11以上か確認
pip install "langchain==1.5.0" "langchain-core==1.8.0" "langgraph==1.2.22" langchain-openai langchain-anthropic
export ANTHROPIC_API_KEY="取得したAnthropic APIキー"

python -c "import langchain, langchain_core; print(langchain.__version__, langchain_core.__version__)"
# 1.5.0 1.8.0

モデルの呼び出しはinit_chat_modelに「プロバイダ:モデル名」を渡すだけです。環境変数OPENAI_API_KEYを設定してから実行します。

from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-6.1-sol")
result = model.invoke("LangChainを一文で説明して")
print(result.content_blocks)

エージェントの作成:@toolとcreate_agentによる実行ループの構築

関数に@toolを付けると、引数の型とdocstringがそのままモデルへの説明になります。create_agentにモデル・ツール・システムプロンプトを渡せば、ツールを選ばせて結果を戻す実行ループが組み上がります。0.x系で書いていたAgentExecutorやinitialize_agentは不要です。

from langchain.agents import create_agent
from langchain.tools import tool


@tool
def get_stock(item: str) -> str:
    """品番を受け取り在庫数を返す"""
    return f"{item}: 12個"


agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[get_stock],
    system_prompt="あなたは在庫照会の担当です。",
)
result = agent.invoke(
    {"messages": [{"role": "user", "content": "A-100の在庫は?"}]}
)
for m in result["messages"]:
    print(type(m).__name__, m.content)

偽モデルにツール呼び出しを1回させて流すと、返るメッセージはHumanMessage→ツール呼び出しを含むAIMessage→ToolMessage(A-100: 12個)→最終回答のAIMessageの4件でした。モデルがツールを呼び、結果を受けて答えるまでを、ループのコードを書かずに得られます。

会話の記憶:checkpointerとthread_idによる履歴の保持

0.x系の解説によく出るConversationBufferMemoryは、1.5.0のlangchain本体には無く、import するとModuleNotFoundErrorになります。公式の短期記憶の解説が示す現在の書き方は、create_agentにcheckpointerを渡し、呼び出しごとに同じthread_idを指定する方法です。

from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[get_stock],
    checkpointer=InMemorySaver(),
)
config = {"configurable": {"thread_id": "user-42"}}

agent.invoke({"messages": [{"role": "user", "content": "A-100の在庫は?"}]}, config)
agent.invoke({"messages": [{"role": "user", "content": "さっきの品番は?"}]}, config)

同じthread_idで2回呼ぶと、2回目の結果には1回目の4件に新しい質問と回答が足された6件のメッセージが入っていました。InMemorySaverはプロセスを止めると消えるため、本番では公式が案内するlanggraph-checkpoint-postgresのPostgresSaverなどデータベースに保存する方式に替えます。

ミドルウェア:承認の割り込み・個人情報の伏せ字・長い会話の要約

ミドルウェアは実行ループの各段に処理を差し込む仕組みで、公式のミドルウェア解説にはbefore_agent・before_model・wrap_model_call・wrap_tool_call・after_model・after_agentの6つのフックがあります。業務でよく使うのは次の3つです。

from langchain.agents.middleware import (
    HumanInTheLoopMiddleware,
    PIIMiddleware,
    SummarizationMiddleware,
)
from langchain.agents import create_agent
from langchain.tools import tool
from langgraph.checkpoint.memory import InMemorySaver


@tool
def read_email() -> str:
    """検証用のメール本文を返す。"""
    return "在庫の確認をお願いします。"


@tool
def send_email(to: str, body: str) -> str:
    """検証用の送信結果を返す。実際には送信しない。"""
    return f"送信シミュレーション: {to}"


agent = create_agent(
    model="claude-sonnet-4-6",
    tools=[read_email, send_email],
    checkpointer=InMemorySaver(),
    middleware=[
        PIIMiddleware(
            "email",
            strategy="redact",
            apply_to_input=True,
            apply_to_tool_results=True,
        ),
        SummarizationMiddleware(
            model="claude-sonnet-4-6", trigger={"tokens": 500}
        ),
        HumanInTheLoopMiddleware(
            interrupt_on={
                "send_email": {"allowed_decisions": ["approve", "edit", "reject"]}
            }
        ),
    ],
)

メールアドレスをモデルに渡す前に伏せ字にし、会話が長くなったら要約し、send_emailの実行前で止めて承認を待ちます。承認には人が答えるまで状態を保存しておく必要があるため、前の節のcheckpointerと組み合わせて使います。偽モデルで同じ構成を動かしたところ、入力のメールアドレスは[REDACTED_EMAIL]に置き換わってからモデルに渡り、send_emailの手前で中断しました。langgraph.typesのCommand(resume={"decisions": [{"type": "approve"}]})を同じthread_idで渡すと再開し、送信ツールが実行されました。組み込みミドルウェアの一覧やツール呼び出しごとに止めるinterrupt_mode="per_call"はLangChain v1の変更点とcreate_agentの解説にまとめています。

0.x系と1.x系の対応:旧6モジュールの移設先と代替機能

検索上位の入門記事の多くは、Model I/O・Retrieval・Chains・Memory・Agents・Callbacksの6モジュールで説明しています。この分類は0.x系のもので、今の公式ドキュメントには章として残っていません。旧記事の用語を今のどこで探せばよいかを、1.5.0での実測結果と合わせて示します。

旧モジュール 旧記事の代表例 1.5.0での置き場所
Model I/O ChatOpenAI・PromptTemplate init_chat_model・langchain-core
Retrieval Loader・Splitter・Retriever 各連携パッケージ・text-splitters
Chains LLMChain・RetrievalQA create_agent/旧版はclassic
Memory ConversationBufferMemory checkpointer+thread_id
Agents AgentExecutor create_agent
Callbacks BaseCallbackHandler langchain-core・ミドルウェア

表の「classic」はlangchain-classicパッケージのことです。公式の移行ガイドのとおり、旧チェーン、MultiQueryRetrieverなどのレトリーバー、インデックスAPI、hubモジュールはここへ移りました。実測でもAgentExecutor・ConversationBufferMemory・LLMChainはlangchain_classicから読み込めて、langchain本体からは読み込めませんでした。prompt | modelと書くLCELはlangchain-coreに残っていて、1.5.0でもそのまま動きます。

旧コードの移行:langchain_classicへのimport変更

数年前の記事のコードを写してModuleNotFoundError: No module named 'langchain.chains'が出たら、原因はほぼこの移設です。移設されたクラスは、langchain-classicを導入してimport先を変更すると読み込めます。ただし、旧コード全体の動作には、削除されたAPIや引数・戻り値の変更も確認する必要があります。

# pip install langchain-classic
from langchain_classic.chains import RetrievalQA
from langchain_classic.retrievers import MultiQueryRetriever

langchain-classicは互換のための置き場で、新機能は入りません。新しく書く処理はcreate_agentで書き、既存のチェーンは動くうちはclassicで延命する、という部分的な併存が現実的です。全面書き換えを前提にすると移行そのものが止まります。

LangChainを採用すべき場面と使わないほうがよい場面

LangChainには「抽象化が過剰」「版ごとに書き方が変わる」という批判が根強くあり、0.x系については正当です。ここでは条件で線を引きます。

採用が効く条件:複数モデル・多段の処理・構築後の組み替え

使う価値があるのは、複数のLLMを比べる・併用する・乗り換える可能性がある、RAGやエージェントのように検索とツールと多段の判断を組み合わせる、構築後も部品の差し替えを繰り返す、のいずれかに当てはまる開発です。採用前に、想定するモデル数、検索・ツール呼び出しの段数、部品を差し替える頻度を確認してください。

この条件で抽象化層を自作すると、ベクトルDBや文書形式ごとの接続コードを自分で保守することになります。承認や個人情報の処理が要件にある場合は、HumanInTheLoopMiddlewareやPIIMiddlewareを利用できます。ただし、承認の再開処理や検出対象の設定はアプリ側で実装・確認する必要があります。

使わないほうがよい場面:単一モデルの単純な呼び出しと細部のチューニング

1つのモデルに1回問い合わせて結果を返すだけなら、各社の公式SDKを直接使うべきです。コードは短く、依存は少なく、公式情報だけで完結します。単一モデルの呼び出しで足りるかはChatGPT APIとは?できること・料金の仕組みを見ると判断しやすくなります。

LangChainの共通インターフェースで扱えないプロバイダ固有のパラメータやストリーミング挙動を調整する場合は、公式SDKを直接使うと調査対象を絞れます。素のSDKで小さく作り、構成が複雑になった時点でLangChainへ載せ替える順番でも遅くありません。もう1つ、Python 3.10から上げられない環境では1.5以降の修正を受け取れないため、新規採用は避け、先にPythonの更新計画を立ててください。

Python版とJavaScript版の選び分け:既存資産と実行環境の比較

JavaScript/TypeScript版のLangChain.jsも同じcreateAgent中心の構成で、npmのlangchainは11月15日時点で1.6.6です。データ処理や機械学習の資産があり、RAGの検証を重ねる案件はPython版、Webフロントエンドやサーバーレス環境にLLM機能を組み込むならJS版が自然です。JS版の導入から会話メモリまではLangChain.jsとは?npm導入からcreateAgent・構造化出力・会話メモリまでで扱っています。

開発体制の判断:内製で時間がかかるのはフレームワーク以外の部分

内製でつまずくのは、LangChainの書き方よりも検索の設計・回答の評価・運用監視です。この経験を社内で育てる時間が取れるかが、内製の分かれ目になります。

体制やスケジュールの制約で内製が難しい場合は、設計の段階から外部と組む方法もあります。株式会社一創のAIエージェント開発では、LangChainを使うかどうかの技術選定から、業務に組み込むエージェントの構築・運用までを相談できます。

よくある質問

LangChainは無料ですか?商用利用はできますか?

LangChain本体とLangGraphはMITライセンスのOSSで、商用利用を含めて無償です。費用がかかるのは、組み合わせるLLMのAPI利用料と、運用サービスLangSmithの有料プランです。LangSmithの料金ページでは、11月15日時点でDeveloperプランが1席・月0ドルで月5,000トレースまで、Plusプランが1席あたり月39ドルで月10,000トレースまで、超過分は従量課金です。予算はフレームワークではなく、モデルの利用料と開発・運用の工数を中心に組んでください。

LangChainを使わずにRAGは作れますか?

作れます。文書の分割・ベクトル検索・LLM呼び出しはそれぞれ個別のライブラリやサービスで実装でき、LangChainは必須ではありません。対象の文書と検索方式が決まっている小規模なRAGなら、直接書くほうが処理の流れを追いやすいこともあります。仕組みそのものはRAGとは?仕組みとLLM・ファインチューニングとの違いで解説しています。

LangChainの学習にはどの程度のPythonスキルが必要ですか?

Pythonの基礎文法に加え、仮想環境とパッケージ管理、APIキーを環境変数で扱う操作ができれば始められます。1.5.0ではPython 3.11以上が必要です。ainvokeを使うMCP連携のように非同期処理(async/await)が出てくる箇所もあるので、その読み方は押さえておくと詰まりません。

LlamaIndexとの違いは何ですか?

LlamaIndexは文書の取り込みと検索、つまりRAGのデータ側に重心を置いたフレームワークです。RAGのデータ処理だけならLlamaIndexのほうが直線的に書ける場面があり、ツール連携やエージェントまで含む広い用途ではLangChainが選ばれます。併用もできます。実装の比較はLlamaIndexとは?RAG構築の仕組み・LangChainとの違いと採用判断で整理しています。

LangChainとDifyはどう違いますか?

DifyはLLMアプリを画面操作中心で組み立てるプラットフォームで、コードで書くLangChainとは使う人が違います。標準機能の範囲で済むチャットボットやRAGを素早く立ち上げるならDify、独自の業務ロジックや既存システムとの深い連携が要るならLangChainです。試作をDifyで行い、要件が固まってからLangChainで作り込む進め方もあります。

関連記事

お気に入りに入れた記事の一覧

一創の公式 SNS

X では毎朝の新着記事と IT ニュースの速報を、YouTube・TikTok・Instagram・LinkedIn・Facebook では記事の解説動画を配信しています。

この記事は以下の記事からリンクされています

ほか 2 件の記事からもリンクされています。

資料請求

今日のトレンド記事 直近 24 時間で、いつもより多く読まれている記事

  1. 2026.11.18 テックブログ Java脆弱性CVE-2026-114938(Java4Shell)とは?影響版・修正版と回避フラグの実装手順
  2. 2026.11.11 テックブログ Vite 脆弱性 GHSA-p4f5-76q4-ffq7:開発サーバーRCEの確認と修正版への更新
  3. 2026.11.18 テックブログ 楽天証券の不正アクセス:最大約447万口座の対象確認と、テスト環境に本番データを置かない実装
  4. 2026.11.17 テックブログ チャットプラスの不正アクセス:導入企業がチャット履歴の個人データと報告準備を確かめる手順
  5. 2026.11.19 テックブログ 大崎電気のランサムウェア被害|スマートメーター生産停止の経緯と工場の生産系を守る手順

RELATED POSTS 関連記事

目次