Powrót do bloga

Ekosystem LangChain w pigułce: mapa narzędzi do budowy agentów AI

Paweł Twardziak13 min czytania
—
langchainlanggraphagenty
Ekosystem LangChain w pigułce: mapa narzędzi do budowy agentów AI

Kiedy ktoś mówi "używam LangChain", zwykle ma na myśli jedną z kilku różnych rzeczy. Oficjalna dokumentacja dzieli otwarty stos na trzy typy narzędzi (framework, runtime, harness), a nad nimi stawia osobną platformę LangSmith [3][1]:

  • LangChain - framework agentowy: abstrakcje i integracje dla modeli, narzędzi i pętli agenta [3].
  • LangGraph - runtime i niskopoziomowy framework do orkiestracji długo działających, stanowych agentów [3][5].
  • Deep Agents - "harness", czyli gotowy, opakowany zestaw z wbudowanymi narzędziami do budowy złożonych agentów [3][6].
  • LangSmith - platforma do tracingu, ewaluacji, promptów i wdrożeń, działająca ponad frameworkami [5][1].
  • albo po prostu cała platforma jako jedno.

To samo słowo, kilka różnych bytów. Dokumentacja poświęca temu osobną stronę "Frameworks, runtimes, and harnesses", właśnie po to, żeby te pojęcia rozróżnić [3].

Bo LangChain to już nie jest jedna biblioteka do sklejania wywołań modelu. Twórcy pozycjonują całość wprost jako platformę do inżynierii agentów, która ma usprawnić każdy etap cyklu życia agenta [1]. Ten artykuł to mapa tego ekosystemu: co w nim jest, do czego służy każdy element i od czego zacząć. Bez wchodzenia w kod.

Skąd to się wzięło i czym jest dzisiaj

LangChain wystartował jesienią 2022 roku jako pojedyncza paczka Pythona, początkowo prywatny projekt Harrisona Chase'a [17]. Miesiąc później pojawił się ChatGPT i LangChain szybko stał się domyślnym sposobem budowania aplikacji opartych na modelach [17].

Od tego czasu punkt ciężkości przesunął się z prostych aplikacji na agentów: systemy zbudowane wokół pętli wywołań modelu i narzędzi, która stała się dziś synonimem słowa "agent" [17][3]. Ekosystem urósł razem z tą zmianą. Dziś składa się z części open source, którą instalujesz u siebie, oraz z platformy LangSmith do testowania, wdrażania i monitorowania [2][1].

Dwie rzeczy warto zapamiętać na start. Po pierwsze, otwarty stos jest dostępny w dwóch językach, Pythonie i JavaScript/TypeScript, z osobną dokumentacją dla każdego [2]. Po drugie, nazwa "LangChain" oznacza i konkretny framework, i całą platformę. To nie to samo.

Jak myśleć o całym ekosystemie: cykl życia agenta

Najprościej ułożyć sobie te narzędzia wzdłuż drogi, którą i tak przejdzie każdy agent. Dokumentacja układa ją w etapy: budowanie, testowanie, wdrożenie, monitoring i zarządzanie [1].

Podział jest dość czysty:

  • Etap budowania to otwarty stos: LangChain, LangGraph i Deep Agents [2].
  • Etapy testowania, wdrożenia, monitoringu i zarządzania obejmuje LangSmith [1].

Przejdźmy przez to po kolei.

Etap 1: Budowanie (open source)

To serce ekosystemu. Otwarty stos daje trzy narzędzia, a wybierasz między nimi w zależności od tego, ile niskopoziomowej kontroli potrzebujesz [2]. Co istotne, wszystkie trzy stoją na tym samym fundamencie: LangChain jest zbudowany na LangGraph, a Deep Agents używa bloków LangChain i runtime'u LangGraph [3][4][5][6].

Deep Agents

Rekomendowany punkt startowy i najszybszy sposób, żeby zacząć [2]. Deep Agents to harness: opakowany zestaw z wbudowanym planowaniem, subagentami do delegowania zadań, systemem plików i zarządzaniem kontekstem (w tym podsumowywaniem długiej historii rozmowy) [3][6]. To samodzielna biblioteka (create_deep_agent), która korzysta z bloków LangChain i runtime'u LangGraph, przeznaczona do złożonych, wieloetapowych zadań wymagających planowania i dekompozycji [3][6].

Istnieje też gotowy produkt zbudowany na tym silniku: Deep Agents Code (dcode), otwarty, terminalowy agent do kodowania [2][24]. Działa z dowolnym modelem obsługującym wywoływanie narzędzi i pozwala przełączać dostawców czy modele w trakcie sesji, ma trwałą pamięć między rozmowami, konfigurowalne umiejętności (skills) i kontrolę zatwierdzania przed wykonaniem kodu [24]. Zmiany proponuje jako diffy do akceptacji, zanim tknie pliki, a w razie potrzeby uruchamia polecenia w shellu, zagląda do dokumentacji albo szuka w sieci [24].

LangChain

Właściwy framework. Jego sercem jest w wersji 1.0 funkcja create_agent: minimalny, mocno konfigurowalny szkielet agenta i standardowy sposób budowania agentów w LangChain [4][7]. Twórcy opisują to równaniem agent = model + harness: harness to wszystko dookoła pętli modelu, czyli prompt, narzędzia i middleware kształtujące zachowanie agenta [4].

LangChain dostarcza abstrakcje takie jak ustandaryzowane bloki treści, pętla agenta i middleware, plus integracje z modelami i narzędziami [3]. Jest zbudowany na LangGraph, ale nie musisz znać LangGraph, żeby go używać [3].

Wersja 1.0 to, jak piszą twórcy, skoncentrowany, gotowy do produkcji fundament do budowy agentów, uporządkowany wokół trzech zmian: create_agent (zastępuje create_react_agent), ustandaryzowane bloki treści oraz odchudzona przestrzeń nazw langchain (starsze funkcje przeniesiono do langchain-classic) [7].

LangGraph

Najniższy poziom. LangGraph to niskopoziomowy framework do orkiestracji i runtime do budowy, zarządzania i wdrażania długo działających, stanowych agentów [5]. Używają go między innymi Klarna, Uber i J.P. Morgan [5].

Na tym poziomie dostajesz konkretne zdolności potrzebne do orkiestracji: trwałe wykonanie (agent przetrwa awarię i wznowi od miejsca, w którym stanął), strumieniowanie, human-in-the-loop (wgląd i modyfikacja stanu agenta przez człowieka) oraz trwałą pamięć na poziomie wątku i między wątkami [3][5]. Po LangGraph sięgasz, gdy potrzebujesz szczegółowej kontroli albo budujesz złożone workflowy łączące kroki deterministyczne i agentowe [3].

W skrócie: Deep Agents dla szybkiego startu, LangChain dla standardowych abstrakcji z zachowaniem elastyczności, LangGraph dla niskopoziomowej kontroli nad długo działającymi agentami [3].

Integracje

Osobno warto wspomnieć o integracjach, bo to jeden z głównych powodów, dla których ludzie sięgają po LangChain. Wersja Pythonowa oferuje ponad 1000 integracji: modele czatowe i embeddingowe, narzędzia, loadery dokumentów, bazy wektorowe i więcej [8]. Zamiast pisać własny konektor do każdego dostawcy, bierzesz gotowy.

MCP: wspólny język narzędzi

Model Context Protocol (MCP) to otwarty protokół, który standaryzuje sposób, w jaki aplikacje udostępniają narzędzia i kontekst modelom [21]. W ekosystemie LangChain działa dwustronnie i to jeden z ciekawszych wątków.

Z jednej strony agent LangChain może korzystać z narzędzi wystawionych przez zewnętrzne serwery MCP przez bibliotekę langchain-mcp-adapters. Jeden klient (MultiServerMCPClient) podłącza wiele serwerów naraz, lokalnych przez transport stdio i zdalnych przez HTTP, a ich narzędzia trafiają do agenta obok narzędzi wbudowanych [21].

Z drugiej strony twój wdrożony agent sam może zostać wystawiony jako narzędzie MCP. Agent Server implementuje MCP na transporcie Streamable HTTP i udostępnia endpoint /mcp, dzięki czemu agenta LangGraph użyje dowolny klient zgodny z MCP [22]. Do tego sam LangSmith udostępnia zdalny, uwierzytelniany serwer MCP, przez który model sięga po dane z platformy, między innymi prompty, uruchomienia i datasety [23].

Innymi słowy: MCP jest w tym ekosystemie zarówno wejściem (agent bierze cudze narzędzia), jak i wyjściem (twój agent staje się cudzym narzędziem).

Etap 2: Testowanie i ewaluacja

Tu wchodzi LangSmith. Problem, który rozwiązuje na tym etapie, zna każdy, kto budował coś na modelach: skąd wiesz, że agent działa dobrze, skoro odpowiedź modelu nie jest deterministyczna.

LangSmith daje do tego ewaluacje na datasetach oraz pracę z promptami [1][10]. Zbierasz zestaw przykładów, definiujesz oczekiwany wynik i oceniasz odpowiedzi agenta. Ocenę może wystawiać inny model (podejście "LLM jako sędzia"), reguła w kodzie albo człowiek [10].

Etap 3: Wdrożenie

Za wystawienie agenta na produkcję odpowiada LangSmith Deployment. Uwaga dla śledzących temat dłużej: ten produkt nazywał się wcześniej "LangGraph Platform" i został przemianowany. Cytując oficjalny changelog: "LangGraph Platform is now LangSmith Deployment and LangGraph Studio is now LangSmith Studio" [14].

LangSmith Deployment to runtime do orkiestracji uszyty pod obciążenia agentowe. Daje trwałe wykonanie, strumieniowanie w czasie rzeczywistym i skalowanie poziome [11]. Jest framework-agnostyczny, więc wdrożysz przez niego także agentów zbudowanych poza LangChain, na przykład na Google ADK, Claude Agent SDK, Strands, CrewAI czy AutoGen [11]. Silnik nazywa się Agent Server i można go uruchomić w kilku modelach hostingu: w pełni zarządzana chmura (prowadzona przez LangChain na AWS i GCP), samodzielny serwer w kontenerze albo pełna platforma self-hosted we własnej infrastrukturze [11]. Wdrożenie z GitHuba na produkcję jest jednym kliknięciem [14].

LangSmith Studio

Przy wdrożeniu warto znać jeszcze jedno narzędzie: Studio (dziś pod nazwą LangSmith Studio) [14]. To wyspecjalizowane IDE do agentów: wizualizujesz graf agenta, uruchamiasz go i wchodzisz z nim w interakcję, zarządzasz wątkami i asystentami, iterujesz na promptach oraz debugujesz stan przez cofanie się w czasie (time travel) [12]. Studio v2 działa lokalnie bez aplikacji desktopowej i pozwala pobrać produkcyjne trace'y, żeby debugować je u siebie [14].

Etap 4: Monitoring i zarządzanie

Ostatni odcinek cyklu to życie agenta na produkcji. LangSmith obejmuje trzy główne usługi: obserwowalność, ewaluację i wdrożenie [14].

Obserwowalność w LangSmith to tracing: instrumentujesz aplikację, przeglądasz pojedyncze trace'y i monitorujesz wydajność na produkcji [9]. Gdy agent zachowa się nieoczekiwanie, wchodzisz w konkretny trace i widzisz, co się stało. Co ważne, LangSmith działa z wieloma frameworkami i dostawcami, nie tylko z LangChain, między innymi z OpenAI, Anthropic, CrewAI, Vercel AI SDK czy Pydantic AI [9].

Nad tym stoją dodatkowe elementy platformy:

  • Engine to agent do inżynierii agentów: z produkcyjnych trace'ów wykrywa powtarzalne problemy, diagnozuje przyczynę, proponuje poprawkę, generuje ewaluator chroniący przed regresją i tworzy przykłady do datasetu. Poprawkę może otworzyć jako pull request dla agentów zbudowanych na Deep Agents, LangChain lub LangGraph [13].
  • Govern to warstwa administracyjna: zarządzanie dostępem i ustawieniami oraz LLM Gateway [1].
  • Fleet to budowa i uruchamianie agentów bez kodu, oparte na szablonach, integracjach i automatyzacji rutynowych zadań [5][15].
  • Sandboxes to zarządzane, izolowane środowiska do bezpiecznego uruchamiania kodu generowanego przez agentów i pracy z plikami [18].

Co właściwie można z tego zbudować

Krótka mapa zastosowań, każde oparte na komponentach z powyższych etapów:

  • RAG, czyli odpowiadanie na pytania na podstawie własnych dokumentów, w oparciu o integracje z bazami wektorowymi i retrieverami [8].
  • Pojedynczy agent z dostępem do narzędzi: create_agent z LangChain albo Deep Agents [4][6].
  • Systemy multi-agentowe: subagenci w Deep Agents albo orkiestracja w LangGraph [3].
  • Workflowy łączące kroki deterministyczne i agentowe. To domena LangGraph [3].
  • Agenci do kodowania, jak wspomniany dcode [2].

Gdzie się tego nauczyć

Wokół rdzenia jest warstwa edukacyjna. LangChain Academy oferuje darmowe kursy budowania na LangChain i LangGraph, jest forum społeczności i osobna dokumentacja dla Pythona oraz TypeScriptu [1][16][2].

Kiedy LangChain, a kiedy nie

Warto wiedzieć, że LangChain nie jest jedyną opcją, i akurat tu można pozostać w granicach oficjalnych materiałów, bo dokumentacja sama jest w tej sprawie uczciwa.

Po pierwsze, nie musisz używać LangChain, żeby korzystać z LangGraph [3][5]. Po drugie, strona "Frameworks, runtimes, and harnesses" wprost wymienia alternatywy na każdym poziomie stosu: dla frameworków Vercel AI SDK, CrewAI, OpenAI Agents SDK, Google ADK i LlamaIndex, dla runtime'ów Temporal i Inngest, dla harnessów Claude Agent SDK i Manus [3].

Dokumentacja podaje też konkretne kryteria wyboru [3]:

  • LangChain, gdy chcesz szybko budować agentów, potrzebujesz standardowych abstrakcji dla modeli, narzędzi i pętli agenta i zależy ci na łatwym starcie bez złożonej orkiestracji.
  • LangGraph, gdy potrzebujesz szczegółowej, niskopoziomowej kontroli, trwałego wykonania dla długo działających, stanowych agentów albo produkcyjnej infrastruktury do wdrożeń.
  • Deep Agents, gdy budujesz agentów działających długo, mierzących się ze złożonymi, wieloetapowymi zadaniami i chcesz gotowych narzędzi (operacje na plikach, wykonanie w shellu, automatyczne zarządzanie kontekstem) oraz gotowych promptów i subagentów.

Innymi słowy: im bliżej produkcyjnego, wieloelementowego systemu, tym więcej ten ekosystem daje. Prostsze zadanie warto najpierw skonfrontować z pytaniem, czy w ogóle potrzebujesz pełnego frameworka.

Od czego zacząć

Zależnie od tego, gdzie jesteś:

  • Chcesz najszybciej coś działającego? Zacznij od Deep Agents, oficjalnie rekomendowanego punktu startowego [2].
  • Wolisz składać agenta z klocków? LangChain i create_agent [4].
  • Masz już agenta i chcesz go zrozumieć? Podłącz LangSmith do tracingu i zobacz, co agent naprawdę robi krok po kroku [9].
  • Idziesz na produkcję? Wtedy do gry wchodzą ewaluacje, LangSmith Deployment i monitoring [1].

Nie musisz poznać całego ekosystemu naraz. Poznaj etap budowania, zbuduj coś małego, a resztę dobierzesz, gdy realnie jej potrzebujesz.

Podsumowanie

LangChain to nie pojedyncza biblioteka, tylko otwarty stos do budowania (LangChain, LangGraph, Deep Agents) plus platforma LangSmith do testowania, wdrażania i monitorowania, ułożone wzdłuż cyklu życia agenta [1][2][3]. Poznaj mapę, wybierz punkt startowy i dobieraj kolejne elementy w miarę potrzeb.

Budowa agentów, które faktycznie działają na produkcji, to dokładnie to, czego uczymy w praktyce w Soft 3.0. Jeśli chcesz przejść od "sklejam coś na LangChain" do świadomego projektowania agentowych systemów, zobacz kurs.

FAQ

Czym różni się LangChain od LangGraph? LangChain to framework agentowy z gotowymi abstrakcjami (create_agent, model, narzędzia, middleware). LangGraph to niskopoziomowy runtime do orkiestracji długo działających, stanowych agentów. LangChain jest zbudowany na LangGraph, ale nie musisz znać LangGraph, żeby go używać. Po LangGraph sięgasz, gdy potrzebujesz niskopoziomowej kontroli, trwałego wykonania i mieszania kroków deterministycznych z agentowymi [3][5].

Czy LangChain jest darmowy? Otwarty stos (LangChain, LangGraph, Deep Agents) jest open source i uruchamiasz go u siebie [2]. LangSmith to platforma z darmowym poziomem startowym i płatnymi planami wyżej [1][20].

Python czy JavaScript? Oba są pełnoprawne, z osobną dokumentacją [2]. Wersja Pythonowa ma ponad 1000 integracji, a JS/TS osobną, szeroką listę integracji [8][19].

Czym są Deep Agents? Harness, czyli opakowany zestaw z wbudowanym planowaniem, subagentami, systemem plików i zarządzaniem kontekstem, zbudowany na LangGraph. To oficjalnie rekomendowany punkt startowy, gdy chcesz szybko postawić agenta do złożonego, wieloetapowego zadania [2][3][6].

Czy muszę używać LangSmith, żeby korzystać z LangChain? Nie. Otwarty stos działa samodzielnie. LangSmith dokładasz, gdy potrzebujesz obserwowalności, ewaluacji albo wdrożenia. LangSmith działa też z agentami spoza LangChain [9].

Czym był "LangGraph Platform"? To wcześniejsza nazwa produktu do wdrażania agentów. Dziś nazywa się LangSmith Deployment, a odpowiednik Studio to LangSmith Studio. Zmiana pochodzi wprost z oficjalnego changelogu [14].

Źródła

Cała treść merytoryczna została zweryfikowana względem oficjalnej dokumentacji LangChain (docs.langchain.com) oraz oficjalnego bloga. Stan na lipiec 2026.

  1. Docs by LangChain, strona główna platformy ("The platform for agent engineering", karty Build/Test/Deploy/Monitor/Govern, Fleet, Academy) - https://docs.langchain.com/
  2. Build overview (otwarty stos, wybór wg poziomu kontroli, dwa języki, Deep Agents Code dcode) - https://docs.langchain.com/build-overview
  3. Frameworks, runtimes, and harnesses (definicje framework/runtime/harness, tabela "when to use", lista alternatyw) - https://docs.langchain.com/oss/python/concepts/products
  4. LangChain overview (create_agent, "agent = model + harness", middleware) - https://docs.langchain.com/oss/python/langchain/overview
  5. LangGraph overview (runtime, Klarna/Uber/J.P. Morgan, "you don't need LangChain to use LangGraph", Engine, Fleet) - https://docs.langchain.com/oss/python/langgraph/overview
  6. Deep Agents overview - https://docs.langchain.com/oss/python/deepagents/overview
  7. LangChain v1 (production-ready foundation, trzy zmiany, langchain-classic) - https://docs.langchain.com/oss/python/releases/langchain-v1
  8. Integrations - providers overview (Python, 1000+ integracji) - https://docs.langchain.com/oss/python/integrations/providers/overview
  9. LangSmith Observability (tracing, lista wspieranych frameworków) - https://docs.langchain.com/langsmith/observability
  10. LangSmith Evaluation (datasety, LLM-as-judge, ewaluatory) - https://docs.langchain.com/langsmith/evaluation
  11. LangSmith Deployment (Agent Server, framework-agnostyczny, modele hostingu, AWS/GCP) - https://docs.langchain.com/langsmith/deployment
  12. LangSmith Studio (IDE agentowe, time travel, iteracja promptów) - https://docs.langchain.com/langsmith/studio
  13. LangSmith Engine (wykrywanie problemów i propozycje fixów) - https://docs.langchain.com/langsmith/engine-overview
  14. LangSmith changelog (rename "LangGraph Platform -> LangSmith Deployment", "LangGraph Studio -> LangSmith Studio", trzy usługi, one-click deploy, Studio v2) - https://docs.langchain.com/langsmith/changelog
  15. LangSmith Fleet (agenci no-code) - https://docs.langchain.com/langsmith/fleet
  16. LangChain Academy (darmowe kursy) - https://academy.langchain.com/
  17. Blog LangChain, "Reflections on Three Years of Building LangChain" (start jesienią 2022, pojedyncza paczka Pythona, ChatGPT miesiąc później, pętla narzędziowa jako synonim agenta) - https://www.langchain.com/blog/three-years-langchain
  18. LangSmith Sandboxes (izolowane środowiska do bezpiecznego uruchamiania kodu i pracy z plikami) - https://docs.langchain.com/langsmith/sandboxes
  19. Integrations - providers overview (JavaScript/TypeScript, "wide variety of integrations") - https://docs.langchain.com/oss/javascript/integrations/providers/overview
  20. LangSmith Plans and Pricing (darmowy poziom startowy, płatne plany) - https://www.langchain.com/pricing
  21. LangChain, Model Context Protocol (MCP) (langchain-mcp-adapters, MultiServerMCPClient, transporty stdio/HTTP) - https://docs.langchain.com/oss/python/langchain/mcp
  22. LangSmith, Agent Server jako serwer MCP (endpoint /mcp, transport Streamable HTTP, agent LangGraph wystawiony jako narzędzie MCP) - https://docs.langchain.com/langsmith/server-mcp
  23. LangSmith Remote MCP (zdalny, uwierzytelniany serwer MCP nad danymi platformy: prompty, uruchomienia, datasety) - https://docs.langchain.com/langsmith/langsmith-remote-mcp
  24. Deep Agents Code overview (dcode, terminalowy agent kodujący, dowolny model tool-calling, przełączanie modeli w sesji, pamięć, skills, zatwierdzanie, diffy) - https://docs.langchain.com/oss/python/deepagents/code/overview