LangChainとは？できること・料金・企業導入を解説

LangChainとは、大規模言語モデル（LLM）にツールやデータを接続し、AIエージェントを構築するオープンソースのフレームワークです。現行のLangChain v1は、create_agentを中核とする高レベルなagent harnessとして整理されています。

旧来の「LLMをChainでつなぐ部品集」という理解だけでは、現在の姿を捉えきれません。

この記事では、4製品の違い、できること、向き不向き、費用、安全性を整理します。そのうえで、企業がPoCから本番運用へ進む7ステップと、現行APIによるコードを示します。

LangChainとは、create_agent中心のagent harness

現行のLangChainを理解する近道は、AIエージェントのモデルではなく、その周囲を見ることです。公式は「Agent = Model + Harness」と説明しています。

AIエージェントは、LLMが目的に応じてツールを呼び出し、結果を受け取り、タスクが終わるまで処理を繰り返す仕組みです。通常のチャットが文章を返すだけなのに対し、検索、API呼び出し、データ更新などの行動を選べます。

現行v1はモデルの周囲を組み立てる

agent harnessは、モデルの周囲で動作を制御する仕組みの総称です。LangChainでは、主に次の4要素をcreate_agentへ渡します。

要素	役割	企業での設計例
Model	判断と文章生成を担うLLM	用途、精度、データ取扱条件で選ぶ
Tools	エージェントが実行できる関数	社内検索、在庫照会、チケット登録
Prompt	役割、制約、出力方針を伝える	根拠の提示、禁止操作、回答形式
Middleware	実行途中に制御を加える	個人情報検出、再試行、承認、ログ

middlewareは、実行前後やツール呼び出しに、承認、再試行、個人情報検出などを挟む機構です。

LangChain公式Overviewは、create_agentを「最小限で高度に構成可能なagent harness」と定義しています。モデル、ツール、プロンプト、middlewareから、用途に必要な構成だけを組み立てる考え方です。

出典: LangChain overview

LangChain agentsはLangGraph上に構築される

create_agentで作るLangChain agentsは、内部の実行基盤にLangGraphを使います。そのため、LangGraphが提供する永続実行、人間による承認、状態保存などの機能を利用できます。

公式のPython版はPython 3.10以上を要件としています。モデル事業者との連携は、langchain-openaiなど独立した連携パッケージを追加する方式です。

出典: Install LangChain

旧APIのコードをそのまま採用しない

検索結果には、LLMChain、ConversationChain、initialize_agentを中心に説明する記事も残っています。新規開発は現行公式文書を根拠にし、既存システムは依存バージョンを固定して段階的に移行します。

LangChain、LangGraph、LangSmith、Deep Agentsの違い

4つの名称は、同じ製品の料金プランではありません。開発抽象度と運用上の役割が異なります。

名称	現行の位置づけ	主な用途	選ぶ場面
LangChain	高レベルなagent framework	モデル、ツール、プロンプト、middlewareの構成	標準的なAIエージェントを素早く作る
LangGraph	低レベルなorchestration frameworkとruntime	状態、分岐、永続化、長時間実行、人間の承認	処理順と状態遷移を細かく制御する
LangSmith	tracing、debug、evaluationのプラットフォーム	実行追跡、評価、監視、改善	PoC比較と本番の可観測性を整える
Deep Agents	batteries-includedなagent harness	計画、仮想ファイルシステム、記憶、サブエージェント	複雑な長時間タスクを早く試す

LangGraphは実行順と状態を設計する

LangGraphは、長時間かつ状態を持つ処理のための低レベルな実行基盤です。決められた処理とLLMによる判断を一つのグラフに混在させられます。

LangGraphは単独でも利用でき、申請額による分岐や承認待ちを明示する場合に向きます。

出典: LangGraph overview

LangSmithはエージェントの挙動を観測する

LangSmithは、モデルの入出力、ツール呼び出し、処理時間を追跡して評価するプラットフォームです。

LangSmithは、検索、ツール選択、出力のどこで失敗したかをtrace、debug、evaluateします。

出典: LangSmith tracing quickstart

Deep Agentsは必要機能を組み込み済みで提供する

Deep Agentsは、複雑なタスクに必要になりやすい機能を初めから組み込んだagent harnessです。公式は「batteries-included」と表現しています。

コンテキストの自動圧縮、仮想ファイルシステム、サブエージェント生成などを利用できます。Deep AgentsはLangChainの構成要素を土台とし、実行にはLangGraphを使います。

長い調査や複数工程の作業を早く試す場合に向きます。単純な社内検索では、不要な権限とテスト範囲を増やさない判断が必要です。

出典: Deep Agents overview

まずcreate_agentを検討し、複雑な状態制御にはLangGraph、長時間作業にはDeep Agentsを選びます。観測と評価には、使用フレームワークを問わずLangSmithを検討します。

LangChainでできることと向くケース、向かないケース

LangChainが得意なのは、LLMの回答生成だけでは完了しない業務です。外部データの取得やツール実行を、モデルの判断と組み合わせます。

LangChainでできることは5つに分けられる

分類	できること	企業での例	主な評価指標
社内検索	検索結果を根拠に回答する	規程、製品資料、手順書の照会	正答率、根拠一致率
業務API連携	ツールを選びAPIを呼ぶ	在庫照会、案件検索、起票	成功率、誤実行率
構造化出力	決めた項目で情報を返す	問い合わせ分類、契約項目抽出	項目別精度、欠損率
複数工程処理	結果を次の判断へ渡す	調査、比較、下書き、確認	完了率、処理時間
モデル切替	用途に応じてモデルを変える	定型分類と難問回答の分離	原価、品質、遅延

RAGは、質問に関係する文書を検索し、その内容をLLMへ渡して回答させる構成です。LangChainは検索と生成を接続しますが、文書のアクセス権は別途設計します。

RAGの構成と評価は、RAGとは？仕組みと導入方法で詳しく解説しています。埋め込みベクトルを保存して類似検索する基盤は、ベクトルデータベースの仕組みと選び方も参考になります。

LangChainが向くケース

次の条件が二つ以上ある業務は、LangChainを検討しやすい対象です。

• 複数のモデル事業者やモデル候補を比較したい
• 社内検索、Web検索、業務APIなど複数ツールを接続する
• ツール選択をLLMに任せつつ、許可範囲はコードで制御したい
• middlewareで承認、再試行、個人情報処理を追加したい
• PoC後に状態保存や人間の承認へ拡張する可能性がある
• 実行途中をトレースして、失敗原因を評価したい

LangChainが向かないケース

「AIを使うならLangChainが必要」という判断は正しくありません。次のケースでは、モデルAPIの直接利用や別の選択肢が単純です。

• 一回の要約や分類だけで処理が終わる
• 固定された三つのAPIを決められた順番で呼ぶだけである
• 開発者がおらず、コードと依存関係を継続管理できない
• ミリ秒単位の遅延や極小の実行環境が最優先である
• モデルにツール選択を任せる合理的な理由がない
• 厳格な決定性が必要で、LLMの判断を工程に置けない

業務部門が検証を主導するなら、画面からワークフローやRAGを構築できるDifyも候補です。

固定処理で足りるのにモデルへ判断を委ねると、費用と失敗経路が増えます。

LangChainのOSS利用料と企業が負担する実費

LangChainのソースコードを使う料金と、LangChainでシステムを動かす総費用は別です。OSSが無料でも、モデルとインフラは無料になりません。

LangChainはMIT License

LangChainのGitHubリポジトリは、MIT Licenseで公開されています。著作権表示と許諾表示を保持すれば、変更、配布、商用利用が認められます。

MIT Licenseは性能や安全性を保証しないため、脆弱性と接続データの権利は別に確認します。

出典: LangChainのLICENSE

LangSmithはOSS利用料とは別に判断する

LangSmithは任意の商用プラットフォームで、料金には席数と従量利用が関係します。2026年8月21日時点の公式料金は次のとおりです。

プラン	席当たり月額	含まれる基本トレース	想定用途
Developer	$0	月5,000件まで	1名での試作
Plus	$39	月10,000件まで	チーム開発とデプロイ
Enterprise	個別見積もり	契約による	高度なホスティング、統制、支援

いずれも従量課金が加わります。Enterpriseはセルフホスト、SSO、ABAC、RBACなどを掲げています。価格と条件は変わるため、契約前に公式ページで再確認してください。

出典: LangSmith Plans and Pricing

総費用は6項目で見積もる

企業が比較すべき総費用は、次の式で捉えられます。

総費用 = モデルAPI + 検索基盤 + LangSmith等の監視 + 実行インフラ + 外部API + 開発運用人件費

モデルAPIはトークン量、呼び出し回数、再試行回数で変わります。RAGでは埋め込み生成とベクトル検索の費用も生じます。

月額だけでなく、成功した1タスク当たりの原価を測ります。

1タスク当たり原価 = 月間総費用 ÷ 人の修正なしで完了した件数

---

LangChainの採用可否を、機能だけで決める必要はありません。自社要件に合わせたPoC範囲、実費、安全性の整理にお悩みの場合は、設計段階からご相談いただけます。

AI顧問の詳細と無料相談はこちら →

---

LangChainを安全に使うためのセキュリティ設計

LangChain単体ではなく、接続するモデル、ツール、検索基盤、トレースまでが安全性の対象です。特に、入力文を命令として扱うLLMと、業務を実行するツールの組み合わせには境界が必要です。

主要な脅威と統制策

脅威	起こり得ること	推奨する統制
プロンプトインジェクション	文書内の命令で不正なツールを選ぶ	入力を信頼せず、ツールを許可リスト化する
過剰なツール権限	読み取り用途から更新や削除へ進む	読み取りと書き込みの認証情報を分離する
機密情報の混入	プロンプトやtraceへ個人情報が残る	送信前のマスキングと条件付きtraceを使う
誤回答と誤実行	根拠のない回答や誤ったAPI操作を行う	根拠表示、構造化検証、人間の承認を置く
依存関係の脆弱性	パッケージ経由で侵害される	バージョン固定、SBOM、脆弱性検査を行う
コストの暴走	ループと再試行が続く	回数、時間、金額の上限を設定する

最小権限はプロンプトだけでは実現しません。API、ネットワーク、データベース側でも操作を制限します。

金銭、契約、外部送信、データ削除に関わる操作には、人間の承認を置きます。承認画面には、実行予定のツール、対象、変更内容を表示し、担当者が判断できるようにします。

LangSmith tracingには業務データが含まれ得る

トレースにはモデル入出力やツール引数が含まれ、監視基盤が新たな保管先になり得ます。

公式文書では、LANGSMITH_TRACING=falseでtracingを無効化できます。処理の条件に応じて記録を切り替えるconditional tracingも案内されています。必要なフィールドだけを記録し、保存地域、保持期間、削除方法、閲覧権限を契約前に確認してください。

ローカルのlanggraph devでは、tracingや明示的な外部通信がなければ、CLIテレメトリを除くアプリケーションデータは端末外へ出ません。分析送信はLANGGRAPH_CLI_NO_ANALYTICS=1、tracingはLANGSMITH_TRACING=falseで無効化できます。langgraph upでは、LANGGRAPH_AES_KEYによるcheckpoint暗号化とTTLを設定できます。

出典: Data storage and privacy

OSSとクラウドサービスの責任を分ける

LangChainのOSS利用、モデルAPI、LangSmith Cloudは、それぞれ別のデータ処理主体と契約条件を持ちます。一つの「LangChain利用申請」にまとめず、データフロー図で送信先と保存先を列挙します。

LangSmith Enterpriseは、Cloud、Hybrid、Self-hostedのホスティング選択肢を案内しています。SSO、RBAC、ABAC、保持期間、削除機能も要件に応じて確認できます。

出典: LangSmith for Enterprise

LangChainを企業導入する7ステップ

企業導入では、コードを書く前に合格条件を決めます。デモが一度成功しただけでは、品質、費用、安全性、遅延の再現性が分からないためです。

ステップ1: 対象業務と非対象業務を決める

最初の対象を、件数があり、正解を判定でき、失敗を人が戻せる業務に絞ります。社内規程の回答案や問い合わせ分類が候補です。支払い確定やデータ削除は外し、「1業務、1データ源、1承認点」まで狭めます。

ステップ2: データフローと権限境界を描く

利用者の入力が、どのモデル、検索基盤、ツール、ログへ渡るかを図にします。各経路にデータ分類、保存期間、管理者、削除方法を記載し、ツール権限を分けます。

ステップ3: 4種類の評価指標を固定する

評価指標は、実装後ではなく実装前に決めます。最低限、次の4種類を使います。

評価軸	指標例	合格条件の例
品質	正答率、根拠一致率、完了率	検証50問で根拠一致率90%以上
費用	1タスク当たり原価	人手処理の目標原価以下
安全性	禁止操作率、機密情報漏えい件数	高リスク操作は承認なしで0件
遅延	中央値、95パーセンタイル	95%の処理が20秒以内

ステップ4: create_agentで最小構成を実装する

現行v1では、langchain.agentsからcreate_agentを読み込みます。次の例は、社内規程を検索する読み取り専用ツールを一つだけ渡す最小構成です。

python -m pip install -U langchain langchain-openaiexport OPENAI_API_KEY="YOUR_API_KEY"

from langchain.agents import create_agentdef search_company_policy(query: str) -> str:    """承認済みの社内規程から、質問に関係する記述を検索します。"""    approved_documents = {        "経費": "経費申請は利用日の翌月5営業日までに提出します。",        "在宅勤務": "在宅勤務は所属長の事前承認が必要です。",    }    matches = [        text        for keyword, text in approved_documents.items()        if keyword in query    ]    return "\n".join(matches) if matches else "該当する承認済み規程はありません。"agent = create_agent(    model="openai:gpt-5.5",    tools=[search_company_policy],    system_prompt=(        "あなたは社内規程の回答支援担当です。"        "検索結果だけを根拠に日本語で回答してください。"        "根拠がない場合は、担当部署への確認が必要だと答えてください。"    ),)result = agent.invoke(    {        "messages": [            {"role": "user", "content": "経費申請の期限を教えてください。"}        ]    })print(result["messages"][-1].content_blocks)

コードの形は公式Overviewの現行例に沿っています。モデル識別子と料金は変わる可能性があるため、実行時点の連携パッケージとモデル一覧を確認してください。

本番では辞書を検索基盤へ置き換え、利用者の権限を検索条件へ反映します。検索した文書IDと版も監査ログへ残します。

出典: LangChain Agents

ステップ5: 正常系と攻撃系を試験する

曖昧な質問、機密情報の要求、文書中の不正な命令も試し、ツール選択を確認します。

テストセットを版管理し、プロンプト、モデル、ツールを変えるたびに再実行します。

ステップ6: 2週間から4週間のPoCで採否を判定する

対象部門を限定し、匿名化した実際の質問で4指標を測ります。採用、条件付き採用、見送りの条件を事前に決め、未達時は原因を一つずつ検証します。

ステップ7: 本番運用の変更管理を設ける

モデル、プロンプト、ツール、検索文書の変更に、承認、テスト、切り戻しを設けます。

高リスク操作は人間の承認を維持し、権限の棚卸しを定期的に行います。品質低下と費用増加を検知するアラートも設定します。

LangChainに関するよくある質問

Q. LangChainは無料で使えますか？

LangChainのOSSはMIT Licenseで利用でき、ライセンス利用料はかかりません。モデルAPI、検索、サーバー、監視、開発運用の費用は別です。

Q. LangChainとLangGraphの違いは何ですか？

LangChainは、create_agentでモデル、ツール、プロンプト、middlewareを組み立てる高レベルなフレームワークです。LangGraphは、状態、分岐、永続実行を細かく設計する低レベルなorchestration frameworkです。LangChain agentsはLangGraph上に構築されています。

Q. LangSmithは必須ですか？

必須ではありません。LangChainはLangSmithなしでも動作します。本番ではツール呼び出しと遅延を追える観測基盤を別途用意します。

Q. プログラミング初心者でもLangChainを使えますか？

Pythonの関数、型、環境変数、APIの基礎があれば、最小例は実装できます。本番運用には認証、権限、テスト、監視、依存管理の知識も必要です。

Q. LangChainはRAGにしか使えませんか？

RAGだけではありません。業務APIの呼び出し、構造化出力、問い合わせ分類、複数工程の処理、モデル切替にも使えます。RAGだけが目的で処理が単純なら、より小さな実装で要件を満たせないかも比較してください。

まとめ

LangChainとは、現行v1ではcreate_agentを中核とする高レベルなagent harnessです。モデル、ツール、プロンプト、middlewareを組み立て、LangGraphの実行基盤上でAIエージェントを動かします。

LangGraphは低レベルな実行制御、LangSmithは追跡と評価、Deep Agentsは機能を組み込み済みのharnessを担います。LangChainのOSSはMIT Licenseですが、モデルAPI、検索、監視、インフラ、人件費は実費です。

企業導入の最初の作業は、ライブラリのインストールではありません。対象を1業務に絞り、品質、費用、安全性、遅延の合格条件と、ツールの権限境界を決めることです。この条件があれば、create_agentの小さな実装を本番へ進めるか、見送るかを判断できます。

---

AIエージェントの導入判断と運用設計を支援します

株式会社NexaのAI顧問では、対象業務の選定からPoCの評価指標、費用、安全な権限設計まで支援しています。構想段階でも、自社にLangChainが必要かを含めて整理できます。

AI顧問の詳細と無料相談はこちら →

---