Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

LangChain

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

LangChain é uma biblioteca, em Python e JavaScript, que padroniza o acesso a diferentes provedores de LLM por uma interface de cliente comum e serve de base ao LangGraph e ao LangFlow.

Em vez de aprender o SDK de cada fornecedor, o desenvolvedor instancia uma classe de chat equivalente para cada provedor e mantém o restante do código praticamente igual. Essa conveniência explica a popularidade da biblioteca e também sua posição no ecossistema: o LangGraph, do mesmo time, e o LangFlow foram construídos sobre ela, e o CrewAI a usa por baixo. Por isso ela aparece com frequência na discussão sobre quanta abstração uma solução de agentes deve carregar.

Classes de chat equivalentes por provedor

Cada provedor tem sua classe: ChatOpenAI para a OpenAI, ChatBedrock (ou BedrockLLM) para o AWS Bedrock, ChatGoogleGenerativeAI para os modelos do Google e ChatOllama para modelos locais servidos pelo Ollama. Trocar de provedor significa declarar outra classe e passar o modelo desejado, sem reescrever a lógica que monta o prompt de chat.

A troca não é totalmente gratuita. Cada integração tem parâmetros próprios: no Bedrock, por exemplo, a classe recebe o modelo e um cliente de serviço configurado com região e credenciais. A documentação de cada integração continua necessária. A mesma interface também permite combinar provedores num projeto, como um modelo local leve para parte do processamento e uma API na nuvem para o que exige mais velocidade.

Documentação e observabilidade

A documentação traz um guia conceitual dividido em abas, completo, mas percebido como genérico e inflado, com muito código que não entra no uso cotidiano; comparada à do CrewAI, que foca conceitos específicos e exemplos práticos, é menos direta para quem está começando. Para telemetria e rastreamento das execuções, o ecossistema oferece o LangSmith.

A construção de agentes migrou para o LangGraph

A própria documentação deixou de recomendar a criação de agentes com LangChain puro, forma tratada como legada, e passou a indicar o LangGraph para esse fim. O LangChain segue útil como camada de integração com modelos, mas um projeto novo de agentes tende a partir do LangGraph ou de outro framework especializado.

O custo de depender da biblioteca

Wrapper de terceiros

Quando o fornecedor atualiza sua API, a retrocompatibilidade depende de quem mantém a integração no LangChain, e o time não controla esse ritmo.

Além desse risco, pesam contra a biblioteca as muitas camadas encadeadas, uma dentro da outra, que dificultam entender e modificar o comportamento, a ponto de ser preciso abrir o código-fonte para mudar algo específico. O suporte entre provedores é desigual, porque cada integração depende de contribuições da comunidade, e a OpenAI foi historicamente mais bem atendida que alternativas como Gemini ou modelos locais. O tratamento de erros também exige mais código manual para evitar respostas vazias e alucinações do que em alternativas como o Spring AI. Uma estratégia comum é usar o LangChain no início para ganhar tempo e remover a dependência aos poucos, conforme a necessidade de controle cresce, como discutido em Camadas de Abstração em Frameworks de Agentes e Critérios de Seleção de Frameworks de Agentes.