LangChain

一句話結論

LangChain 是目前生態系最大的 LLM 應用開發框架，搭配 LangSmith 觀測與評測平台，適合要把 Agent 真正上線的工程團隊；只是想串一兩次模型 API 的專案，用它反而太繞。

它到底做什麼

LangChain 現在是一家公司、一組開源框架加一個商業平台的總稱。開源那一層有三個主角：LangChain 負責「快速開始」，用統一介面接各家模型、向量資料庫與工具；LangGraph 是底層編排框架，把 Agent 的狀態與流程畫成圖，適合有分支、迴圈、人工審核的任務；Deep Agents 則包好了規劃、子 Agent 與檔案系統操作，專攻長時間任務。三者都是 MIT 授權，Python 為主，另有 JavaScript／TypeScript 版。

商業那一層是 LangSmith，從 Observability（每一步的 trace）、Evaluation（資料集與評分器）、Deployment（把 Agent 部署成服務）一路延伸到 Sandboxes、LLM Gateway、自動改進 Agent 的 Engine，以及給非工程同事用的無程式碼平台 Fleet。官網寫開源套件每月下載超過 3.5 億次、LangSmith 有 7,000 家以上客戶，名單上有 Klarna、Cisco、Workday、Lyft 等。

實際用起來的重點

從官方文件與範例看來，最常見的路徑是：用 LangChain 幾十行做出原型，流程變複雜後改用 LangGraph 控制每個節點，再把 LangSmith 接上去看 trace。LangSmith 不綁框架，就算你用別的方式寫 Agent，也能用它的 SDK 送 trace。

真正會卡住的地方通常是版本。LangChain 早期 API 改動頻繁，網路上大量舊教學的寫法在新版已經不適用，新手照抄很容易踩坑，看文件一定要對照版本。另一個重點是評測：Agent 改一句提示詞，結果可能整體變好卻在某些案例退步，LangSmith 的資料集比較就是在解這件事，這也是很多團隊付費的主因。

優點

• 整合最多、社群最大，幾乎所有模型與向量資料庫都有現成套件，問題多半查得到前例。
• 從原型到觀測、評測、部署一條龍，團隊不必自己拼湊工具鏈。
• 開源框架 MIT 授權，換模型供應商時應用層改動小。
• Enterprise 支援自架與混合部署，對資料不能出公司的企業是硬需求。

缺點

• 抽象層多，簡單需求也會被包上好幾層，除錯時要一層層追。
• 版本演進快，舊程式碼與舊教學維護成本高。
• LangSmith 按席次加 trace 用量計費，流量一大，帳單難以事先估準。

適合誰／不適合誰

適合有後端工程師、要把 RAG 或多步驟 Agent 正式上線的產品團隊，也適合需要量化評估模型表現的 AI 團隊。不適合完全不寫程式的使用者（那該看 Fleet 或其他無程式碼工具），也不適合只做單次摘要、翻譯這種一兩個 API 呼叫就能解決的專案。

價格觀察

開源框架免費。LangSmith 的 Developer 方案免費、限 1 席、每月 5,000 筆 base traces；Plus 每席每月 39 美元、含 10,000 筆 traces，並附一個小型 serverless 部署；超量與部署算力以 LangChain 自訂的 LSU 單位計價；Enterprise 另議。實際費率以官網為準，建議先用免費方案估一週 trace 量再決定。

替代方案

想要角色分工式的多 Agent 寫法，可以看 CrewAI；以文件檢索為核心的應用，LlamaIndex 或 Haystack 更專注；TypeScript 團隊可以比較 Mastra；只要觀測與評測、不想綁框架，開源的 Langfuse 是 LangSmith 的常見對手；不寫程式則可以看 Dify 或 Flowise。

台灣觀點

台灣很多企業的生成式 AI 專案是「內部文件問答」起家，LangChain 搭配 Azure OpenAI 或地端模型是最常見的組合之一，人才市場上會用的工程師也相對好找。中文要注意兩件事：預設的文字切分器對沒有空格的中文不一定友善，最好依標點與段落自訂；LangSmith 雲端版的 trace 會存在原廠伺服器，裡面可能含客戶對話與個資，金融、醫療業者要評估個資法與委外規範，必要時走 Enterprise 自架。付款以美元信用卡為主。

評分

4.0 / 5。生態系與 LangSmith 的觀測評測能力是實打實的優勢，扣分在學習曲線與版本變動帶來的維護成本，以及用量計費的不可預測性。對要上線的工程團隊，它仍是最安全的預設選項之一。