--- title: "Co to jest LangChain? LangGraph i LangSmith – poradnik" url: "https://majchrzycki.com/blog/co-to-jest-langchain-poradnik-dla-firm" description: "Czym są LangChain, LangGraph, LangSmith i Deep Agents, jak się łączą i kiedy wystarczy SDK vendora. Licencje, ryzyka i pierwsza próba." --- # Co to jest LangChain? LangGraph i LangSmith – poradnik 6 października 2026· Aktualizacja: 6 października 2026·8 min czytania·[Krzysztof Majchrzycki](https://majchrzycki.com/o-mnie) Temat: [Architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai) **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](https://majchrzycki.com/blog/filar/architektura-systemow-ai), a pojęcie agenta i poziomy autonomii — [poradnik o agentach AI](https://majchrzycki.com/blog/co-to-jest-agent-ai-poradnik-dla-firm). 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](https://docs.langchain.com/oss/python/langchain/overview) 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](https://www.langchain.com/blog/langchain-langgraph-1dot0) 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](https://docs.langchain.com/oss/python/langgraph/overview) 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](https://github.com/langchain-ai/deepagents) 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](https://docs.langchain.com/langsmith/home) 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. Mapa ekosystemu LangChain w czterech warstwach. Deep Agents: gotowy agent do zadań wieloetapowych z planowaniem, podagentami i plikami, licencja MIT, wersja 0.7, przed 1.0. Zbudowany na LangChain: biblioteka do składania agenta z modelu, narzędzi, promptu i middleware, licencja MIT, wersja 1.x. Agenci LangChain działają na LangGraph: silnik stanu, przerwań, zatwierdzeń i wznowień, licencja MIT, wersja 1.x, można go używać bez LangChain. Obok wszystkich warstw LangSmith: usługa ze śladami, ewaluacją i hostingiem agentów, z planami Developer, Plus i Enterprise, działa także z innymi frameworkami. Mapa ekosystemu LangChain: trzy biblioteki na sobie i usługa LangSmith obok. Stan na 6.10.2026, źródła: dokumentacja LangChain, PyPI. 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](https://pypi.org/project/langgraph/) i [npm](https://www.npmjs.com/package/@langchain/langgraph). Licencję MIT potwierdzają repozytoria [LangChain](https://github.com/langchain-ai/langchain) i [LangGraph](https://github.com/langchain-ai/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](https://majchrzycki.com/blog/co-to-jest-rag-poradnik-dla-firm). 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](https://majchrzycki.com/blog/langchain-ai-llm-apps). Działanie stanu i przerwań na przykładzie kodu pokazuje [LangGraph: jak kontrolować pracę agentów AI](https://majchrzycki.com/blog/langgraph-autonomous-mult-ai-agent-system). 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](https://openai.github.io/openai-agents-python/)** — lekki pakiet z kilkoma pojęciami: agenci, przekazania między agentami (handoffs), zabezpieczenia wejścia i wyjścia, sesje i wbudowane śledzenie. [Repozytorium](https://github.com/openai/openai-agents-python) deklaruje obsługę modeli także spoza OpenAI. Licencja MIT. - **[Microsoft Agent Framework](https://learn.microsoft.com/en-us/agent-framework/overview/)** — 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](https://majchrzycki.com/blog/microsoft-agent-framework-ai-os). - **[Claude Agent SDK](https://code.claude.com/docs/en/agent-sdk/overview)** — 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. Karta decyzji LangGraph czy SDK vendora, uproszczenie autora. Pytanie 1: czy wystarczy jedno wywołanie modelu albo prosty łańcuch? Tak: zwykły kod i klient modelu. Pytanie 2: czy jeden vendor modeli lub chmury pokrywa proces? Tak: SDK vendora, na przykład OpenAI Agents SDK, Microsoft Agent Framework albo Claude Agent SDK. Pytanie 3: czy proces czeka na człowieka i musi przetrwać przerwę? Tak: LangGraph albo przepływy w SDK vendora. Pytanie 4: czy zadanie jest otwarte i wieloetapowe, z pracą na plikach? Tak: Deep Agents z przypiętą wersją, bo projekt jest przed 1.0. W pozostałych przypadkach: LangChain, agent z narzędziami i integracjami wielu modeli. W każdym wariancie: ślady i zbiór testowy, w LangSmith albo w innym narzędziu. Karta decyzji: zwykły kod, SDK vendora, LangGraph czy Deep Agents. Uproszczenie autora na podstawie dokumentacji LangChain, OpenAI, Microsoft i Anthropic; stan na 6.10.2026. 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](https://pypi.org/project/langsmith/)). 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](https://www.langchain.com/pricing) — 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](https://docs.langchain.com/langsmith/deployments)). 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](https://docs.langchain.com/langsmith/regions-faq)). - **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](https://majchrzycki.com/blog/langsmith-ai-application-lifecycle-management-alm). ## Ryzyka: zmiany API, zależność i bezpieczeństwo **Zmiany API.** LangChain miał opinię biblioteki, która często łamie zgodność. Od wersji 1.0 [polityka wydań](https://docs.langchain.com/oss/python/release-policy) 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](https://majchrzycki.com/blog/langfuse-ewaluacja-agentow). **Bezpieczeństwo.** Warstwa integracji ma swoją powierzchnię ataku. Repozytorium LangChain publikuje [komunikaty bezpieczeństwa](https://github.com/langchain-ai/langchain/security/advisories) — 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](https://majchrzycki.com/akademia/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](https://majchrzycki.com/blog/langchain-ai-llm-apps) — kiedy upraszcza aplikację, a kiedy dokłada zależności; warstwy, testy i próba. ### B. LangGraph: orkiestracja i stan - [LangGraph: jak kontrolować pracę agentów AI](https://majchrzycki.com/blog/langgraph-autonomous-mult-ai-agent-system) — stan, przerwania i wznawianie, z przykładem kodu. - [System wieloagentowy AI: kiedy ma sens w firmie](https://majchrzycki.com/blog/multi-autonomous-ai-agent-system-app) — podział ról, koszt i testy wielu agentów. - [Agenci autonomiczni: granice działania i kontrola](https://majchrzycki.com/blog/autonomous-ai-agents-apps) — wymiary autonomii i bezpieczne zatrzymanie. ### C. LangSmith: ślady i ewaluacja - [LangSmith: jak oceniać i śledzić aplikacje AI](https://majchrzycki.com/blog/langsmith-ai-application-lifecycle-management-alm) — ślady, zbiory testowe, porównanie wersji, dane w śladach. - [Langfuse w suwerennym AI OS](https://majchrzycki.com/blog/langfuse-ewaluacja-agentow) — otwarta alternatywa do samodzielnego utrzymania. - [OpenTelemetry w suwerennym AI OS](https://majchrzycki.com/blog/opentelemetry-agenci-ai-os) — wspólny standard telemetrii niezależny od narzędzia. ### D. Deep Agents i agenci kodujący - [LangChain Deep Agents w suwerennym AI OS](https://majchrzycki.com/blog/langchain-deep-agents-ai-os) — planowanie, podagenci i praca na plikach. - [LangChain dcode w suwerennym AI OS](https://majchrzycki.com/blog/langchain-dcode-ai-sdlc) — agent kodujący w terminalu oparty na Deep Agents. ### E. Alternatywy: SDK vendorów i inne frameworki - [Microsoft Agent Framework po AutoGen i Semantic Kernel](https://majchrzycki.com/blog/microsoft-agent-framework-ai-os) — następca obu frameworków Microsoft. - [Semantic Kernel: kiedy orkiestracja AI ma sens](https://majchrzycki.com/blog/co-to-jest-microsoft-semantic-kernel) — oddzielenie modelu, narzędzi i reguł. - [Microsoft AutoGen: jak ocenić system wielu agentów](https://majchrzycki.com/blog/co-to-jest-microsoft-autogen-multi-agent-system-mas) — role agentów i tryb utrzymania AutoGen. - [Temporal: trwałe procesy agentów AI](https://majchrzycki.com/blog/temporal-trwaly-workflow-agentow) — 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. - Agenci AI - Modele i LLM - Open Source AI - Strategia ## Naucz się przenosić agenta z biblioteki do firmy Kurs Forward Deployed AI Engineer w Akademii: jak dobrać framework do procesu, zaprojektować stan, uprawnienia i testy, a potem utrzymać agenta u klienta. Niezależnie od vendora i partnera. [Zobacz kurs Forward Deployed AI Engineer](https://majchrzycki.com/akademia/kurs-forward-deployed-ai-engineer) FAQ ## Najczęstsze pytania Czy LangChain i LangGraph to to samo? Nie. LangChain to biblioteka do składania agenta z modelu, narzędzi, promptu i middleware. LangGraph to niższa warstwa: silnik, który trzyma stan zadania, zatrzymuje je na decyzję człowieka i wznawia po przerwie. Agenci LangChain działają na LangGraph, ale LangGraph można używać bez LangChain. Czy LangChain jest open source i ile kosztuje licencja? Biblioteki LangChain, LangGraph i Deep Agents mają licencję MIT — można ich używać komercyjnie bez opłat licencyjnych. Płaci się za modele, infrastrukturę i pracę zespołu. Płatna bywa usługa LangSmith: ślady, ewaluacja i hosting agentów mają plany opisane na stronie cennika LangChain. Czy LangSmith jest potrzebny, żeby używać LangChain? Nie. LangSmith to osobna usługa do śledzenia i oceniania aplikacji AI. Działa także z innymi frameworkami, a LangChain działa bez niej. Potrzebne jest natomiast jakieś narzędzie do śladów i zbiór testowy — LangSmith jest jedną z opcji, obok narzędzi otwartych, na przykład Langfuse. LangGraph czy Microsoft Agent Framework? Oba dają agentów, przepływy grafowe i zatwierdzenia człowieka. Agent Framework ma sens, gdy firma pracuje w .NET albo w Microsoft Foundry i chce jednego vendora dla platformy. LangGraph — gdy zespół pisze w Pythonie lub TypeScript, chce niezależności od chmury i ma dużo integracji z ekosystemu LangChain. Rozstrzyga próba na tym samym procesie. Czy LangChain wciąż często zmienia API? Rzadziej niż kiedyś. Od wersji 1.0 z października 2025 roku LangChain i LangGraph deklarują, że zmiany łamiące zgodność pojawią się dopiero w wersji 2.0. Wersje poprawkowe wychodzą jednak często, a Deep Agents jest przed wersją 1.0. Starsze linie LangChain 0.3 i LangGraph 0.4 mają wsparcie do grudnia 2026 roku. Gdzie LangSmith przechowuje dane? W chmurze można wybrać region: GCP US, GCP EU, GCP APAC albo AWS US. Organizacja działa w jednym regionie. Wariant hybrydowy i self-hosted, w infrastrukturze firmy, wymaga planu Enterprise. Wybór regionu nie zwalnia z ustalenia, jakie dane trafiają do śladów. Od czego zacząć z LangChain w firmie? Od jednego procesu i jego kroków: odczyty, decyzje, zatwierdzenia i działania ze skutkiem. Potem zbiór kilkudziesięciu przypadków testowych i dwie cienkie wersje — na SDK vendora i na LangGraph. Framework zostaje, jeśli upraszcza kod, a zespół potrafi odtworzyć awarię i wymienić model. ## Czytaj dalej - [Co to jest Microsoft Agent Framework? Poradnik dla firm](https://majchrzycki.com/blog/co-to-jest-microsoft-agent-framework-poradnik-dla-firm) - [LangGraph: jak kontrolować pracę agentów AI](https://majchrzycki.com/blog/langgraph-autonomous-mult-ai-agent-system) - [LangChain: kiedy framework pomaga aplikacji AI](https://majchrzycki.com/blog/langchain-ai-llm-apps) - [Microsoft Agent Framework po AutoGen i Semantic Kernel](https://majchrzycki.com/blog/microsoft-agent-framework-ai-os)