Co to jest LangChain? LangGraph i LangSmith – poradnik

LangChain to otwarty ekosystem do budowy agentów i aplikacji AI, złożony z czterech warstw: biblioteki LangChain (składanie agenta z modelu i narzędzi), LangGraph (stan zadania, przerwania i wznowienia), Deep Agents (gotowy agent do zadań wieloetapowych) i LangSmith (ślady, ewaluacja i hosting — jako usługa). Biblioteki mają licencję MIT. Nie każda aplikacja ich potrzebuje: przy jednym wywołaniu modelu albo przy pracy w jednym ekosystemie vendora wystarczy jego SDK. LangGraph opłaca się wtedy, gdy proces trwa długo, czeka na człowieka i musi przetrwać przerwę.

Poradnik jest dla liderów IT i architektów w firmach od 50 osób, którzy słyszą od zespołu „zróbmy to na LangChain” i chcą wiedzieć, co dokładnie wchodzi do architektury i co z tego wynika za rok. Stan na 6.10.2026. Szerszy kontekst daje filar architektura systemów AI, a pojęcie agenta i poziomy autonomii — poradnik o agentach AI. Na końcu jest mapa wszystkich wpisów o LangChain na blogu.

Cztery elementy ekosystemu LangChain

Nazwa „LangChain” oznacza dziś trzy rzeczy naraz: firmę (vendora), bibliotekę i cały ekosystem. W rozmowie z zespołem warto od razu pytać, o którą warstwę chodzi. Dokumentacja LangChain sama opisuje podział na cztery elementy.

LangChain: biblioteka do składania agenta

LangChain to biblioteka w Pythonie i TypeScript, w której agenta składa się z modelu, narzędzi, promptu i middleware. Dokumentacja ujmuje to wzorem „agent = model + uprząż” (harness): model myśli, a uprząż daje mu narzędzia, kontekst i zasady. Największa wartość biblioteki to wspólny interfejs dla wielu modeli i gotowe integracje — z bazami wektorowymi, wyszukiwarkami i narzędziami. Od wersji 1.0 z 22 października 2025 roku agenta tworzy się funkcją create_agent, a stare elementy przeniesiono do osobnego pakietu langchain-classic.

LangGraph: stan, przerwania i wznowienia

LangGraph to niższa warstwa. Dokumentacja LangGraph opisuje go jako framework orkiestracji długotrwałych, stanowych agentów, w którym kroki pisane ręcznie mieszają się z krokami sterowanymi przez model. Daje trwałe wykonanie (zadanie rusza od miejsca przerwania po awarii), człowieka w pętli (podgląd i zmianę stanu przed kolejnym krokiem) oraz pamięć krótko- i długoterminową. LangGraph nie wymaga LangChain. Agenci LangChain działają jednak na LangGraph, więc w praktyce często są razem.

Deep Agents: gotowy agent do zadań wieloetapowych

Deep Agents to warstwa najwyższa: agent „z bateriami”, zbudowany na agentach LangChain i LangGraph. Repozytorium Deep Agents wymienia planowanie zadań, podagentów z osobnym kontekstem, pracę na plikach, streszczanie długiego kontekstu, wykonywanie poleceń w piaskownicy i zatwierdzanie wywołań narzędzi. To szybka droga do agenta badawczego albo kodującego. Na Deep Agents działa na przykład agent kodujący dcode. Uwaga: projekt jest przed wersją 1.0.

LangSmith: ślady, ewaluacja i hosting jako usługa

LangSmith nie jest biblioteką, tylko platformą. Dokumentacja LangSmith wymienia ślady wykonania, monitoring, zbiory testowe, ewaluacje, zbieranie ocen użytkowników, zarządzanie promptami i wdrażanie agentów (LangSmith Deployment, dawniej LangGraph Platform). Działa także z aplikacjami bez LangChain, na przykład na SDK OpenAI albo Anthropic. Ma trzy modele hostingu: chmurę, hybrydę i self-hosted.

Element	Czym jest	Forma i licencja	Wersja (stan na 6.10.2026)
LangChain	biblioteka do składania agenta i integracji	open source, MIT	1.4 (Python), 1.5 (JS)
LangGraph	silnik stanu, przerwań i wznowień	open source, MIT	1.2 (Python), 1.4 (JS)
Deep Agents	gotowy agent do zadań wieloetapowych	open source, MIT	0.7, przed 1.0
LangSmith	ślady, ewaluacja, prompty, hosting agentów	usługa z planami; klient SDK na MIT	—

Wersje pochodzą z rejestru PyPI i npm. Licencję MIT potwierdzają repozytoria LangChain i LangGraph.

Jak warstwy działają razem: jedno zadanie

Weźmy modelowy proces: pracownik działu obsługi pyta asystenta o status reklamacji i prosi o szkic odpowiedzi dla klienta. Każda warstwa ma tu inną pracę.

1. LangChain składa agenta: model, narzędzie „odczytaj reklamację z CRM”, wyszukiwanie w procedurach i middleware, które usuwa dane osobowe z promptu. Gdy agent ma odpowiadać z dokumentów, potrzebne jest wyszukiwanie z filtrem uprawnień — wzorzec opisuje poradnik o RAG.
2. LangGraph prowadzi zadanie: zapisuje stan po każdym kroku, zatrzymuje się przed wysłaniem odpowiedzi i czeka na zatwierdzenie. Jeśli serwer się zrestartuje, zadanie rusza od ostatniego zapisanego kroku.
3. LangSmith zapisuje ślad: które narzędzie wywołano, jakie fragmenty trafiły do modelu, ile trwało i kosztowało każde wywołanie. Z błędnych przypadków powstaje zbiór testowy na kolejną wersję.
4. Deep Agents w tym procesie nie jest potrzebny. Przyda się, gdy zadanie jest otwarte: „przejrzyj 40 reklamacji z kwartału, znajdź wspólne przyczyny i przygotuj raport w plikach”.

To przykład dydaktyczny, nie opis wdrożenia. Integracje z CRM, uprawnienia i odbiór trzeba zaprojektować osobno — framework ich nie dostarcza.

Kiedy LangChain i LangGraph mają sens

Ekosystem LangChain wnosi najwięcej w czterech sytuacjach:

• Kilka modeli od różnych vendorów. Wspólny interfejs pozwala porównać modele na tym samym zadaniu bez przepisywania wywołań.
• Dużo integracji. Bazy wektorowe, wyszukiwarki, narzędzia — gotowe adaptery skracają prototyp.
• Długi proces z człowiekiem w środku. Zatwierdzenie, przerwa na dzień, wznowienie po awarii. To główna rola LangGraph.
• Niezależność od chmury. Biblioteki działają wszędzie, gdzie działa Python albo Node.js, także w lokalnym centrum danych.

Szczegóły tych warunków, z tabelą sytuacji i alternatyw, opisuje wpis LangChain: kiedy framework pomaga aplikacji AI. Działanie stanu i przerwań na przykładzie kodu pokazuje LangGraph: jak kontrolować pracę agentów AI.

Mniej daje w prostych przypadkach. Jedno wywołanie modelu z walidacją wyniku nie potrzebuje ani grafu, ani middleware. Framework dodaje wtedy zależność, a nie wartość. Zasada autora: zaczynajcie od zwykłego kodu i dokładajcie warstwę dopiero wtedy, gdy zwykły kod zaczyna ją odtwarzać.

Kiedy wystarczy SDK vendora

Vendorzy modeli i chmur mają własne biblioteki do budowy agentów. Każda pełni podobną rolę jak część ekosystemu LangChain, ale w innym otoczeniu:

• OpenAI Agents SDK — lekki pakiet z kilkoma pojęciami: agenci, przekazania między agentami (handoffs), zabezpieczenia wejścia i wyjścia, sesje i wbudowane śledzenie. Repozytorium deklaruje obsługę modeli także spoza OpenAI. Licencja MIT.
• Microsoft Agent Framework — następca Semantic Kernel i AutoGen, od tych samych zespołów. Agenci, przepływy grafowe z zatwierdzeniami człowieka, .NET i Python (Go w wersji preview), modele z Microsoft Foundry i od innych vendorów. Licencja MIT. Szerzej we wpisie Microsoft Agent Framework po AutoGen i Semantic Kernel.
• Claude Agent SDK — te same narzędzia, pętla agenta i zarządzanie kontekstem, które napędzają Claude Code, w Pythonie i TypeScript: praca na plikach, polecenia, podagenci, MCP, uprawnienia i hooki. Korzystanie reguluje regulamin komercyjny Anthropic.

SDK vendora wystarczy, gdy firma zostaje przy jednym vendorze modeli albo chmury, zespół zna jego narzędzia, a proces nie potrzebuje więcej, niż SDK daje. Microsoft w dokumentacji Agent Framework formułuje zasadę, którą warto powiesić nad biurkiem: jeśli zadanie da się zapisać jako zwykłą funkcję, napiszcie funkcję zamiast agenta.

Granica nie jest ostra. Agent Framework ma własne przepływy grafowe, a Deep Agents przypomina harness z Claude Agent SDK. Porównujcie więc nie listy funkcji, tylko jedno: który zestaw pozwoli Wam odtworzyć awarię, wymienić model i utrzymać kod za dwa lata. Model chętnie przygotuje Wam piękną tabelę porównawczą wszystkich frameworków. Bez źródeł i bez próby na Waszym procesie warta jest tyle, ile prezentacja na demo.

Sytuacja	Pierwszy kandydat	Co sprawdzić w próbie
Jedno wywołanie modelu, walidacja wyniku	zwykły kod i klient modelu	czy framework cokolwiek upraszcza
Jeden vendor modeli lub chmury, proces mieści się w SDK	SDK vendora	czy da się wymienić model bez przepisywania reguł
Długi proces z zatwierdzeniem i wznowieniem	LangGraph albo przepływy SDK vendora	zapis stanu, ponowienie po awarii, podwójne kliknięcie
Zadanie otwarte, wieloetapowe, na plikach	Deep Agents	koszt, liczba kroków, granice uprawnień podagentów

Licencje i koszty

Biblioteki LangChain, LangGraph i Deep Agents mają licencję MIT. Wolno ich używać komercyjnie, modyfikować i uruchamiać we własnej infrastrukturze, bez opłat licencyjnych. Klient SDK LangSmith też ma licencję MIT (PyPI). Koszt nie znika jednak, tylko się przesuwa: płacicie za modele, infrastrukturę, aktualizacje zależności i czas zespołu.

LangSmith to usługa z planami: Developer, Plus i Enterprise. Aktualne kwoty, limity śladów i czas przechowywania podaje strona cennika LangChain — sprawdźcie ją przed decyzją, bo cennik się zmienia. Z warunków na 6.10.2026 dla architektury liczą się trzy rzeczy:

• Hosting agentów w chmurze LangChain (LangSmith Deployment) wymaga planu Plus lub wyższego; hybryda i self-hosted z płaszczyzną sterowania — planu Enterprise (dokumentacja wdrożeń). Jest też samodzielny serwer na Dockerze lub Kubernetesie, z własnym PostgreSQL i Redisem.
• Region danych w chmurze: GCP US, GCP EU, GCP APAC albo AWS US. Organizacja nie obejmuje kilku regionów (regiony LangSmith).
• Ślady zawierają dane: pytania, fragmenty dokumentów, odpowiedzi narzędzi. Zakres rejestrowania, maskowanie i retencję ustalcie przed włączeniem, nie po pierwszym audycie.

Jak oceniać jakość i kiedy plan płatny ma sens, opisuje wpis LangSmith: jak oceniać i śledzić aplikacje AI.

Ryzyka: zmiany API, zależność i bezpieczeństwo

Zmiany API. LangChain miał opinię biblioteki, która często łamie zgodność. Od wersji 1.0 polityka wydań obiecuje zmiany łamiące tylko w wersji 2.0, a funkcje oznaczone jako przestarzałe mają działać przez całą serię 1.x. Ta sama polityka podaje dwa fakty, które warto mieć w planie:

• LangChain 0.3 i LangGraph 0.4 dostają poprawki bezpieczeństwa i krytyczne tylko do grudnia 2026 roku. Kod na starszych liniach trzeba zmigrować teraz.
• Deep Agents jest przed wersją 1.0. Zmiany łamiące mogą przyjść w zwykłym wydaniu minor. Przypnijcie wersję i testujcie każdą aktualizację.

Poprawki wychodzą często — w LangChain nawet kilka razy w tygodniu. To dobrze dla błędów, gorzej dla zespołu, który nie ma automatycznych testów.

Zależność od frameworka. Im więcej reguł biznesowych zaszyjecie w łańcuchach i middleware, tym droższa będzie zmiana. Reguła „zwrot powyżej limitu wymaga zgody kierownika” ma być widoczna w kodzie domenowym, nie tylko w konfiguracji agenta. LangChain to też vendor — firma, która rozwija biblioteki i sprzedaje LangSmith. Otwarta licencja chroni kod, ale nie gwarantuje kierunku rozwoju.

Zależność od usługi. Jeśli definicje jakości, zbiory testowe i ślady żyją tylko w LangSmith, zmiana narzędzia oznacza utratę historii. Trzymajcie zbiory testowe także w repozytorium. Otwartą alternatywę do samodzielnego utrzymania opisuje wpis Langfuse w suwerennym AI OS.

Bezpieczeństwo. Warstwa integracji ma swoją powierzchnię ataku. Repozytorium LangChain publikuje komunikaty bezpieczeństwa — śledźcie je jak przy każdej zależności produkcyjnej. Narzędzia agenta dostają najmniejszy możliwy zakres, a działania nieodwracalne — zatwierdzenie człowieka.

Jak zacząć: próba na jednym procesie

Pierwsza decyzja o frameworku powinna wynikać z próby, nie z prezentacji. Kolejność, którą rekomenduję:

1. Jeden proces. Narysujcie ścieżkę jednego zadania: odczyty, decyzje modelu, zatwierdzenia, działania ze skutkiem. Przy każdym kroku zapiszcie, co się stanie po przerwaniu.
2. Zbiór testowy. Kilkadziesiąt przypadków: zwykłe, graniczne, bez danych, odmowa dostępu, awaria narzędzia, wznowienie po przerwie.
3. Dwie cienkie wersje. Ten sam kontrakt na SDK vendora i na LangGraph (z LangChain, jeśli potrzebne są integracje). Porównajcie obsługę awarii, czytelność śladu, czas dodania drugiego modelu i liczbę miejsc zależnych od frameworka.
4. Ślady od pierwszego dnia. LangSmith albo inne narzędzie — ważne, żeby dało się odtworzyć pojedynczy błąd bez zbędnych danych wrażliwych.
5. Decyzja na piśmie. Wybrane pakiety i wersje, powód, alternatywa, osoba odpowiedzialna za aktualizacje i termin przeglądu.

Jeśli zespół potrafi napisać graf, ale nie potrafi powiedzieć, kto zatwierdza wysyłkę do klienta i co się stanie po podwójnym kliknięciu, problemem nie jest framework. To kompetencja wdrożeniowa: przełożenie procesu firmy na stan, uprawnienia i testy. Tego uczy kurs Forward Deployed AI Engineer w Akademii.

Mapa wpisów o LangChain

Wszystkie wpisy o ekosystemie LangChain na blogu, pogrupowane według warstwy, oraz wpisy o alternatywach.

A. LangChain: biblioteka

• LangChain: kiedy framework pomaga aplikacji AI — kiedy upraszcza aplikację, a kiedy dokłada zależności; warstwy, testy i próba.

B. LangGraph: orkiestracja i stan

• LangGraph: jak kontrolować pracę agentów AI — stan, przerwania i wznawianie, z przykładem kodu.
• System wieloagentowy AI: kiedy ma sens w firmie — podział ról, koszt i testy wielu agentów.
• Agenci autonomiczni: granice działania i kontrola — wymiary autonomii i bezpieczne zatrzymanie.

C. LangSmith: ślady i ewaluacja

• LangSmith: jak oceniać i śledzić aplikacje AI — ślady, zbiory testowe, porównanie wersji, dane w śladach.
• Langfuse w suwerennym AI OS — otwarta alternatywa do samodzielnego utrzymania.
• OpenTelemetry w suwerennym AI OS — wspólny standard telemetrii niezależny od narzędzia.

D. Deep Agents i agenci kodujący

• LangChain Deep Agents w suwerennym AI OS — planowanie, podagenci i praca na plikach.
• LangChain dcode w suwerennym AI OS — agent kodujący w terminalu oparty na Deep Agents.

E. Alternatywy: SDK vendorów i inne frameworki

• Microsoft Agent Framework po AutoGen i Semantic Kernel — następca obu frameworków Microsoft.
• Semantic Kernel: kiedy orkiestracja AI ma sens — oddzielenie modelu, narzędzi i reguł.
• Microsoft AutoGen: jak ocenić system wielu agentów — role agentów i tryb utrzymania AutoGen.
• Temporal: trwałe procesy agentów AI — trwały workflow jako alternatywa dla stanu w grafie.

Najważniejsze w skrócie

• Ekosystem LangChain to cztery elementy: LangChain (składanie agenta), LangGraph (stan i przerwania), Deep Agents (gotowy agent) i LangSmith (ślady, ewaluacja, hosting).
• Biblioteki mają licencję MIT. LangSmith to usługa z planami; warunki sprawdzajcie na stronie cennika.
• LangGraph ma sens przy długich procesach z zatwierdzeniem i wznowieniem. Przy prostym wywołaniu wystarczy zwykły kod albo SDK vendora.
• Od wersji 1.0 API jest stabilniejsze, ale linie 0.3 i 0.4 tracą wsparcie w grudniu 2026, a Deep Agents jest przed 1.0.
• Reguły biznesowe i zbiory testowe trzymajcie poza frameworkiem i poza usługą — wtedy zmiana narzędzia nie jest katastrofą.
• Framework wybiera się po próbie na jednym procesie, nie po liczbie integracji.