Что такое LangChain — фреймворк Python для ИИ

Обновлено: июнь 2026.

LangChain — это open-source фреймворк на Python (и JavaScript/TypeScript) для создания приложений поверх больших языковых моделей (LLM): ChatGPT, Claude, Gemini, локальных моделей. Он соединяет модель с вашими данными, внешними инструментами и памятью, чтобы из одной LLM собрать рабочее приложение, а не просто чат.

Коротко, что даёт LangChain:

• единый интерфейс к десяткам провайдеров моделей — код не переписывать при смене LLM;
• готовые «кубики»: промпты, цепочки, агенты, память, ретриверы, инструменты;
• LCEL — сборку пайплайна оператором |, как конвейер в Unix;
• RAG из коробки: подключение своих документов к модели;
• экосистему: LangGraph для агентов, LangSmith для отладки.

Фреймворк (framework) — программный каркас, который облегчает разработку и объединение разных компонентов большого проекта.

Что такое LangChain простыми словами

LangChain — это набор готовых модулей и соглашений, который убирает рутину при работе с LLM. Сам фреймворк не обучает нейросети и не заменяет модель — он оркеструет: принимает запрос пользователя, добавляет нужный контекст, вызывает модель, при необходимости дёргает внешние сервисы и возвращает результат.

Проект создал Харрисон Чейз в октябре 2022 года, сразу после выхода ChatGPT, и LangChain быстро стал стандартом де-факто для прототипов LLM-приложений. В октябре 2025 вышла версия 1.0 — первый стабильный релиз с семантическим версионированием: ломающих изменений в публичном API не будет до 2.0. Сейчас актуальна ветка 1.x, требуется Python 3.10 или новее.

Ключевая идея — модульная архитектура. Компоненты комбинируются под конкретную задачу, поэтому фреймворк гибкий и приспосабливается к широкому спектру сценариев: от чат-бота по базе знаний до автономного агента.

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК нейросети DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ нейросети DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Ключевые компоненты LangChain

В LangChain семь типов компонентов делают почти всю работу, и каждый из них реализует общий интерфейс Runnable — поэтому их можно соединять одним и тем же оператором |.

1. Модели и промпты (Models, Prompts)

Единый интерфейс к LLM разных провайдеров — OpenAI, Anthropic, Google и другим — плюс шаблоны промптов с переменными. Меняете провайдера — остальной код не трогаете.

2. Цепочки (Chains) и LCEL

Цепочка соединяет несколько шагов: ответ одной модели становится входом для следующей. Современный способ собрать цепочку — LCEL (LangChain Expression Language): компоненты соединяются оператором | в читаемый пайплайн. LCEL поддерживает потоковую выдачу (streaming), параллельный и асинхронный запуск и заменил устаревший класс LLMChain.

3. Агенты (Agents)

Агент даёт модели доступ к инструментам (поиск, калькулятор, вызов API, выполнение кода) и позволяет ей самой решать, какой инструмент применить под запрос. В LangChain 1.0 за это отвечает функция create_agent, построенная поверх среды LangGraph.

4. Память (Memory)

Готовые механизмы, чтобы модель «помнила» предыдущие реплики диалога и поддерживала связный разговор, а не отвечала с чистого листа на каждый запрос.

5. Ретриверы и индексы (Retrievers)

Загрузчики документов (document loaders), сплиттеры текста, эмбеддинги и векторные хранилища. На них строится поиск по своим данным — фундамент RAG (см. ниже).

6. Инструменты (Tools)

Обёртки над внешними функциями и сервисами, которые агент вызывает: веб-поиск, базы данных, ваши собственные API.

Мини-вывод: компоненты — это конструктор. Из шести-семи блоков собирается и простой чат-бот, и сложный агент.

Как устроен LangChain: LCEL, LangGraph и экосистема

Вокруг LangChain выросла экосистема из нескольких пакетов и сервисов:

• langchain-core — базовые абстракции и интерфейс Runnable;
• langchain и интеграционные пакеты (langchain-openai, langchain-anthropic и др.) — реализации под конкретных провайдеров;
• LangGraph — отдельная библиотека той же команды для агентов с состоянием: граф из узлов, рёбер, состояния и условных переходов. В 2026 большинство продакшен-агентов — это приложения LangGraph, которые внутри используют компоненты LangChain;
• LangSmith — наблюдаемость: трассировка, отладка и оценка качества цепочек;
• langchain-classic — куда вынесли устаревший функционал ради обратной совместимости.

Разница между LangChain и LangGraph простая: LangChain собирает линейные пайплайны (LCEL), LangGraph управляет циклами и ветвлением для автономных агентов. Подробное сравнение — в таблице ниже.

Пример использования LangChain

Минимальная цепочка на LCEL: шаблон промпта, модель и парсер ответа соединяются оператором |. Это базовый паттерн из официальной документации LangChain.

from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser prompt = ChatPromptTemplate.from_template("Объясни простыми словами: {topic}") model = ChatOpenAI(model="gpt-4o-mini") parser = StrOutputParser() chain = prompt | model | parser print(chain.invoke({"topic": "что такое векторные эмбеддинги"}))

Здесь нет «магических» классов — каждый элемент это обычный компонент LangChain, а | склеивает их в пайплайн. Документация и актуальные примеры: официальные доки LangChain.

RAG на LangChain: главный сценарий

RAG (Retrieval-Augmented Generation) — самый частый промышленный сценарий LangChain: модель отвечает не из «головы», а по вашим документам — приватным, свежим или тем, которых не было в обучении. По официальной документации, RAG-поток состоит из двух стадий.

Индексация (один раз):

• Загрузка — document loaders читают PDF, сайты, базы данных в объекты Document;
• Разбивка — RecursiveCharacterTextSplitter режет длинный текст на чанки;
• Эмбеддинги — чанки превращаются в векторы, отражающие смысл;
• Хранилище — векторы кладутся в векторную БД (Chroma, Pinecone, FAISS).

Поиск и генерация (на каждый запрос): ретривер достаёт похожие чанки, и LLM формирует ответ по вопросу плюс найденному контексту.

LangChain предлагает две реализации: RAG-цепочку (один вызов модели на запрос, всегда ищет — быстро и предсказуемо для простых вопросов) и RAG-агента (модель сама решает, искать ли, и может сделать несколько запросов — гибче для сложных вопросов).

LangChain vs LangGraph: что выбрать

Мини-вывод: начинаете с RAG или чат-бота — берите LangChain и LCEL. Нужны циклы, ветвление и контроль на каждом шаге — переходите на LangGraph.

Если вы хотите освоить работу с LLM и встроить ИИ в бизнес-процессы, начните с практики: на вебинаре-обзоре «Промт-инжиниринг» разбираем конкретные ИИ-решения под запросы бизнеса.

Частые вопросы про LangChain

LangChain — это библиотека или фреймворк?

Это фреймворк: набор модулей и соглашений, задающих структуру приложения. Открытый код, две основные реализации — Python и JavaScript/TypeScript.

На каком языке работает LangChain?

Основная версия — на Python (нужен 3.10 или новее). Есть полноценный порт на JavaScript/TypeScript.

Что такое LCEL в LangChain?

LangChain Expression Language — способ собирать цепочки оператором |. Поддерживает стриминг, параллельный и асинхронный запуск; заменил устаревший LLMChain.

Чем LangChain отличается от LangGraph?

LangChain собирает линейные пайплайны из компонентов. LangGraph — это граф для агентов с состоянием, циклами и ветвлением; в 1.0 create_agent LangChain работает поверх LangGraph.

Нужен ли LangChain, чтобы работать с LLM?

Нет, он опционален: к API модели можно обращаться напрямую. LangChain экономит время на интеграциях, RAG и памяти, но добавляет свой слой абстракций.

LangChain платный?

Сам фреймворк бесплатный и open-source. Платными могут быть смежные облачные сервисы (например, LangSmith на тарифах) и сами вызовы LLM у провайдеров.