LangChain
Framework d'orchestration LLM. Chains, agents, RAG, et des centaines d'intégrations prêtes. Il sert à brancher les pièces d'un RAG (modèle de vectorisation, base vectorielle, LLM) sans écrire le code qui accorde le format de sortie de l'une à l'entrée de la suivante. La règle de partage avec LangGraph tient en une phrase : LangChain pour relier modèles et outils, LangGraph dès que le parcours doit bifurquer, recommencer une recherche ratée ou s'arrêter pour demander à un humain. Les agents de LangChain tournent d'ailleurs sur LangGraph, ce qui leur donne la reprise après pause et l'intervention humaine. Le nom vient de là : une chaîne exécute des tâches l'une après l'autre (recherche, récupération des extraits, réponse du LLM), et c'est ce chaînage que LangGraph remplace par un choix de l'étape suivante à l'exécution (cf. [Instagram reel DeOtQ_MMdS-](https://www.instagram.com/reel/DeOtQ_MMdS-/)).
Forces
- LCEL : chaînes composables avec pipe operator, architecture propre
- LangGraph : agents avec état et boucles, bien au-delà des chaînes simples
- Intégrations pré-built : OpenAI, Anthropic, Pinecone, Supabase, PostgreSQL
- LangSmith : tracing et observabilité native pour debugger les pipelines LLM
Limites
- Abstraction trop épaisse, déboguer un bug en profondeur = cauchemar
- Breaking changes fréquents entre versions, migration douloureuse
- Overhead pour les cas simples, une seule requête API ne nécessite pas LangChain
Pour qui
- Pipelines RAG complexes avec retrieval multi-sources
- Agents LLM avec mémoire, outils et décisions conditionnelles (LangGraph)