LangChainってまだ現役なの？LangGraphとの違いは？結局どう書くのが正解？

この記事は、そんなモヤモヤを1本で全部解消することを目的にした2026年版の総まとめです。ブックマーク推奨。

この記事のゴール

LangChainの全体像とエコシステムをスッと掴める
LCEL（LangChain Expression Language）で書く現代的な書き方が身につく
LangGraphを使ったエージェント設計の勘所がわかる
RAGの本番実装パターンを最短で理解できる
LlamaIndexとの棲み分けが明確になる

想定読者：Python中級以上・LLMアプリを趣味から本番に押し上げたいエンジニア。

目次

2026年、LangChainはまだ熱いのか？
エコシステム地図：LangChain / LangGraph / LangSmith
LCEL入門：Runnableを制する者はLangChainを制す
RAGを最短で作る（本番品質）
LangGraphでエージェントを制御可能にする
マルチエージェント設計パターン
LangChain vs LlamaIndex — 2026の結論
本番投入で失敗しないためのチェックリスト
学習ロードマップ

1. 2026年、LangChainはまだ熱いのか？

結論から言うと、Yes。ただし使い方が変わりました。

2023年頃のなんでもLangChain時代は終わりました。今のLangChainは：

軽量な合成レイヤーとして（LCELベースで小さく書く）
LangGraphの土台として（状態機械としてのエージェント）
LangSmithの観測基盤と組み合わせて（本番デバッグ）

というモジュラーな使われ方に進化しています。

一言で：LangChainはコンポーネント、LangGraphはランタイム、LangSmithは目。

2. エコシステム地図

レイヤー	何を担当？	いつ使う？
LangChain Core	LLM / Prompt / Retriever / Tool の抽象化	ほぼ必須
LCEL	パイプ`	`で繋ぐDSL
LangGraph	状態を持つグラフ実行エンジン	エージェント・分岐・ループ
LangSmith	トレース／評価／モニタリング	本番運用・デバッグ
LangServe	チェーンをREST APIに	素早くデプロイしたい時

[アプリ]
   │
   ▼
[LangGraph] ← 制御フロー（ループ・分岐・状態）
   │
   ▼
[LangChain (LCEL)] ← LLM/Retriever/Toolの合成
   │
   ▼
[LangSmith] ← 実行トレース・評価

3. LCEL入門：Runnableを制する者はLangChainを制す

LCEL（LangChain Expression Language）は、Unixパイプのように | でコンポーネントを繋ぐ記法です。

3.1 最小サンプル

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template("あなたはプロの{role}です。{question}に答えてください。")
model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser()

# ここがLCELの真骨頂
chain = prompt | model | parser

print(chain.invoke({"role": "料理人", "question": "だし巻きのコツは？"}))

3.2 なぜLCELが強いのか？

invoke / stream / batch / ainvoke が自動で使える
並列実行が RunnableParallel で簡単
フォールバック・リトライ・キャッシュが宣言的
LangSmithで自動トレース

3.3 並列実行の例

from langchain_core.runnables import RunnableParallel

parallel = RunnableParallel(
    summary=prompt_summary | model | parser,
    keywords=prompt_keywords | model | parser,
    sentiment=prompt_sentiment | model | parser,
)
result = parallel.invoke({"text": long_document})
# → {"summary": "...", "keywords": [...], "sentiment": "..."}

3つのLLM呼び出しが並列で走ります。従来の逐次コードから体感2〜3倍速。

4. RAGを最短で作る

PDFに質問できるアプリを、最小構成から本番品質までの順に見ていきます。

4.1 最小RAG（30行）

from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1. Load & Split
docs = PyPDFLoader("manual.pdf").load()
chunks = RecursiveCharacterTextSplitter(
    chunk_size=800, chunk_overlap=100
).split_documents(docs)

# 2. Embed & Store
vs = FAISS.from_documents(chunks, OpenAIEmbeddings())
retriever = vs.as_retriever(search_kwargs={"k": 4})

# 3. Chain
prompt = ChatPromptTemplate.from_template("""
以下のコンテキストのみを使って回答してください。
根拠がない場合はわかりませんと答えてください。

# コンテキスト
{context}

# 質問
{question}
""")

rag = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4o-mini")
    | StrOutputParser()
)

print(rag.invoke("返品ポリシーは？"))

4.2 本番品質に上げる7つのテクニック

#	テクニック	効果
1	Hybrid Search（BM25 + ベクトル）	固有名詞に強くなる
2	Re-ranking（Cohere Rerank / bge-reranker）	Top-Kの精度爆上げ
3	Multi-Query（質問を複数生成）	検索漏れ削減
4	Parent Document Retriever	小chunkでヒット、大chunkで回答
5	Contextual Compression	ノイズ削減・コスト削減
6	Self-Query Retriever	メタデータフィルタを自動生成
7	HyDE（仮想回答で検索）	抽象的な質問に強くなる

4.3 Re-rankingサンプル

from langchain.retrievers import ContextualCompressionRetriever
from langchain_cohere import CohereRerank

compressor = CohereRerank(model="rerank-multilingual-v3.0", top_n=3)
compressed_retriever = ContextualCompressionRetriever(
    base_compressor=compressor,
    base_retriever=retriever,  # k=20くらいに増やしておくのがコツ
)

コツ：retriever.k=20 で広く取り → rerank で3件に絞る、が2026年の鉄板。

5. LangGraphでエージェントを制御可能にする

LLMに自由にやらせたら暴走した、途中経過が見えない、ループを止められない…そんな悩みの答えがLangGraphです。

5.1 コアコンセプト

State：グラフ全体で共有する状態（辞書）
Node：状態を受け取り、更新を返す関数
Edge：ノード間の遷移（条件分岐OK）

5.2 ReAct風エージェントを作る

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
from langgraph.graph.message import add_messages
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# --- State定義 ---
class AgentState(TypedDict):
    messages: Annotated[list, add_messages]

# --- Tool定義 ---
@tool
def search_web(query: str) -> str:
    """Webを検索する"""
    return f"{query} の検索結果...(モック)"

@tool
def calculator(expression: str) -> str:
    """数式を評価する"""
    return str(eval(expression))

tools = [search_web, calculator]
model = ChatOpenAI(model="gpt-4o").bind_tools(tools)

# --- Node ---
def call_model(state: AgentState):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

def call_tool(state: AgentState):
    last = state["messages"][-1]
    outputs = []
    for call in last.tool_calls:
        result = {t.name: t for t in tools}[call["name"]].invoke(call["args"])
        outputs.append({"role": "tool", "content": str(result), "tool_call_id": call["id"]})
    return {"messages": outputs}

# --- 分岐 ---
def should_continue(state: AgentState):
    return "tools" if state["messages"][-1].tool_calls else END

# --- Graph構築 ---
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_model)
workflow.add_node("tools", call_tool)
workflow.set_entry_point("agent")
workflow.add_conditional_edges("agent", should_continue)
workflow.add_edge("tools", "agent")
app = workflow.compile()

# --- 実行 ---
result = app.invoke({"messages": [HumanMessage(content="2024年の東京タワーの高さを2倍したら？")]})
print(result["messages"][-1].content)

5.3 LangGraphの本気の強み

チェックポイント：任意の時点で状態を保存・復元
Human-in-the-loop：人間の承認を挟める
タイムトラベル：過去の状態から分岐再実行
サブグラフ：階層化してスケール
ストリーミング：ノード単位で逐次配信

6. マルチエージェント設計パターン

2026年、実用アプリの多くは単一エージェントより複数エージェントの協調に移行しました。

主要パターン

パターン	ユースケース	例
Supervisor	中央が下位エージェントに指示	カスタマーサポート振り分け
Hierarchical	部長→課長→担当のツリー	大規模タスク分解
Network	全員が全員と話せる	ブレスト・議論シミュレーション
Plan-and-Execute	計画→実行を分離	リサーチエージェント
Reflection	生成→自己批評→修正	記事執筆・コードレビュー

Supervisorパターン（概念コード）

def supervisor(state):
    # LLMが次にどのagentを呼ぶかを返す
    decision = model.with_structured_output(Route).invoke(state["messages"])
    return {"next": decision.next}

workflow.add_node("supervisor", supervisor)
workflow.add_node("researcher", researcher_agent)
workflow.add_node("writer", writer_agent)
workflow.add_node("reviewer", reviewer_agent)

workflow.add_conditional_edges(
    "supervisor",
    lambda s: s["next"],
    {"researcher": "researcher", "writer": "writer", "reviewer": "reviewer", "FINISH": END},
)
for member in ["researcher", "writer", "reviewer"]:
    workflow.add_edge(member, "supervisor")

7. LangChain vs LlamaIndex

2026年の結論はシンプルです。

観点	LangChain / LangGraph	LlamaIndex
強み	オーケストレーション、エージェント、マルチステップワークフロー	検索・インデックス設計、データ接続
哲学	実行フローのフレームワーク	データのフレームワーク
本番RAG	LangGraph + LCEL	検索層のみ採用も◎
エージェント	LangGraphが本命	追随中
学習コスト	中〜高	低〜中

結論：エージェントや複雑ワークフローはLangChain（+LangGraph）、検索の質にこだわりたい部分だけLlamaIndexを部分採用がベストプラクティス。

8. 本番投入チェックリスト

コピペしてPRテンプレに貼ってください。

## LLMアプリ 本番投入チェック
### 観測性
- [ ] LangSmithでトレース有効化
- [ ] 主要チェーンにrun_nameを付与
- [ ] エラー時のフォールバックチェーン設定

### 品質
- [ ] 評価データセット（20件以上）を用意
- [ ] LLM-as-a-Judgeで自動評価
- [ ] Regressionテストがある

### コスト・パフォーマンス
- [ ] キャッシュ（SQLite / Redis）有効
- [ ] 適切なモデル選定（gpt-4o-mini / Haiku等）
- [ ] タイムアウト設定
- [ ] トークン上限のバリデーション

### セキュリティ
- [ ] Prompt Injection対策（システムプロンプト強化 + ガードレール）
- [ ] PIIマスキング
- [ ] レートリミット

### エージェント
- [ ] 最大ステップ数の制限
- [ ] 状態のチェックポイント保存
- [ ] Human-in-the-loop の停止点

9. 学習ロードマップ

Week 1  : LCELの基本（Prompt|Model|Parser） + Streaming
Week 2  : Retrievers全種類・Vector Store比較
Week 3  : RAGを評価まで作る（LangSmith Evals）
Week 4  : LangGraphでReActエージェント
Week 5  : マルチエージェント（Supervisor / Reflection）
Week 6  : 本番デプロイ（LangServe / FastAPI + 監視）

まとめ

LangChainはモジュラーな合成レイヤーとして今も現役
LCELで書くのが2026年の標準
複雑なフローはLangGraphで状態機械として組む
RAGはHybrid Search + Rerankが鉄板
観測性と評価を最初から組み込むのが本番投入の鍵

この記事が役立ったらストックといいねをぜひ。

手を動かして学びたい方へ

読むだけでは身につかないのがLLMアプリ開発。演習型で手を動かしながら学べるUdemy講座を用意しました。

👉 割引クーポン付き｜すべての講座を演習型で学べるUdemyコース一覧はこちら

全講座ハンズオン形式（写経ではなく作りながら学ぶ）
LangChain / LangGraph / RAG / エージェントまで網羅
特別割引価格でアクセス可能

記事を読んで理解したつもりを、実装できる自分に変えていきましょう。

参考リンク

この記事は2026年時点の情報に基づいています。フィードバックは編集リクエストまたはコメントでお願いします。