LangChain é o framework mais conhecido para construir aplicações com modelos de linguagem (LLMs). Apareceu como protótipo em 2022, virou padrão de fato para tutoriais e provas de conceito, sofreu críticas duras pela complexidade, evoluiu para o ecossistema atual com LangGraph, LangSmith e LangServe, e hoje é uma escolha viável para empresas que sabem o que estão fazendo, mas é também uma trilha que afunda quem entra sem critério.
Este guia mostra o que LangChain é de verdade hoje, quando usar, quando evitar, qual o papel do LangGraph para fluxos com estado, e como evitar os erros que custam meses de retrabalho.
O ecossistema LangChain hoje
O nome "LangChain" virou guarda-chuva para quatro coisas distintas. LangChain (core): biblioteca de abstrações para prompts, chains, retrievers, parsers e memory. LangGraph: framework para construir aplicações com estado, controle de fluxo explícito (nós, arestas, ciclos) e suporte a múltiplos agentes coordenados. LangSmith: plataforma SaaS de observabilidade, debugging, datasets e evals para qualquer aplicação com LLM (não só LangChain). LangServe: utilitário para expor chains como APIs REST.
Em 2026, o ponto de gravidade da comunidade migrou claramente para LangGraph. Aplicações novas com complexidade real são construídas em cima dele, enquanto o LangChain core é usado mais como caixa de ferramentas de utilidades.
Pontos fortes do LangChain
1. Ecossistema imenso: integrações com praticamente qualquer LLM, vector DB, document loader, search tool. Resolve em horas o que levaria semanas para integrar do zero. 2. Padrões comuns prontos: RAG, agents, summarization, structured output, function calling, multi-modal. 3. Comunidade ativa: cursos, livros, repositórios, exemplos cobrindo quase qualquer caso de uso. 4. Observabilidade integrada via LangSmith: trace de execução, debug visual, datasets para eval contínua. 5. LangGraph: para fluxos com estado, ciclos, intervenção humana e múltiplos agentes, oferece um modelo mental sólido.
Críticas e dores reais
LangChain coleciona críticas justas. Abstrações excessivas que mudam frequentemente, gerando código frágil e dependente da versão. "Magia" implícita em chains que dificultam debug. Performance e custo nem sempre transparentes (chains aninhadas que disparam mais chamadas do que parecem). Curva de aprendizado para quem só queria fazer "uma chamada com retrieval" e acaba em sete camadas de classes.
Esses problemas foram parcialmente endereçados nas últimas versões e na migração para LangGraph, mas continuam reais. A lição: trate LangChain como ferramenta, não religião.
Quando usar LangChain (ou LangGraph)
Vale a pena usar quando: (a) você precisa entregar valor rápido com poucos engenheiros e o problema é padrão (RAG, classificação, sumarização, agente simples); (b) o time vai consumir bastante o ecossistema de integrações; (c) você precisa de LangSmith para observabilidade desde o dia um; (d) sua aplicação tem fluxos complexos com estado (LangGraph brilha aqui); (e) você quer evitar reinventar abstrações comuns como retriever, parser, prompt template.
Quando NÃO usar LangChain
Evite quando: (a) seu caso de uso é simples e cabe em 200 linhas de TypeScript ou Python puro com SDK direto do provedor; (b) performance e custo precisam ser absolutamente previsíveis (com LangChain você adiciona camadas que dificultam profiling); (c) o time tem aversão a frameworks pesados; (d) você precisa de controle muito fino sobre o ciclo do agente (harness própria pode ser mais simples).
Alternativas que cresceram em 2025-2026
O cenário ficou plural. Vercel AI SDK: ótimo para apps web e edge, integração natural com Next.js, streaming bem feito. Mastra: nasceu em TypeScript com foco em agentes, workflows e observabilidade nativa. Claude Agent SDK: para quem usa Claude e quer ciclo de agente padronizado pela Anthropic. LlamaIndex: forte em RAG e data ingestion, especialmente sobre documentos. Direct SDK + harness própria: para times que querem controle total e estão dispostos a investir.
Boas práticas em projetos LangChain reais
Cinco regras que poupam meses. 1. Versão travada: trate atualização como migração, não como rotina. Quebra de API acontece. 2. LangSmith desde o dia um: sem trace, debug vira advinhação. 3. Não esconda chamadas caras: cada chain deve ter logging de tokens e custo agregado. 4. Teste seu retriever isoladamente: 80% dos problemas de qualidade em RAG vêm do retriever, não do LLM. 5. LangGraph para fluxos com estado: não simule estado em cima de chains, use a ferramenta certa.
LangChain e a era pós-MCP
Com a ascensão do MCP (Model Context Protocol), parte do que LangChain ofertava como integração custom virou padrão aberto. A direção sensata em 2026 é usar LangGraph (ou similar) para orquestração e estado, MCP para conectar tools e dados, e SDK direto do provedor para chamadas críticas onde latência e custo importam. Essa combinação separa responsabilidades e evita o vendor lock-in de framework.
Conclusão prática
LangChain não é nem milagre nem maldição. É uma ferramenta com escopo amplo, comunidade gigante, debilidades conhecidas e evolução constante. Quem usa com critério, entendendo o que está sob o capô e quando trocar de ferramenta, entrega rápido e mantém saudável. Quem entra sem critério paga em manutenção e refactor. Na Steply, usamos LangChain e LangGraph em casos específicos, ao lado de Mastra, Claude Agent SDK e harness própria, escolhendo conforme o problema. Framework é meio, não fim.
