LangChain (PT)

LangChain — um framework de código aberto para o desenvolvimento de aplicações que utilizam grandes modelos de linguagem (LLMs). Ele fornece um conjunto unificado de abstrações (modelos, embeddings, armazenamentos vetoriais, cadeias, agentes, memória, callbacks) e mais de 250 integrações, permitindo construir, depurar e colocar em produção rapidamente sistemas complexos de LLM, incluindo chatbots, mecanismos de busca RAG e soluções baseadas em agentes.

História

• Outubro de 2022 — primeiro lançamento público como um projeto de código aberto por seu autor, Harrison Chase, na época funcionário da Robust Intelligence.
• Abril de 2023 — fundada a empresa LangChain Inc., que recebeu mais de US$ 20 milhões em financiamento em uma rodada de US$ 20–25 milhões da Sequoia (revelada como um investimento "pre-empt" de alta velocidade) com uma avaliação de aproximadamente US$ 200 milhões, e anteriormente, US$ 10 milhões em uma rodada seed da Benchmark.
• Agosto de 2023 — lançamento da LangChain Expression Language (LCEL), uma sintaxe declarativa para a construção de cadeias.
• Outubro de 2023 — anunciado o LangServe, uma biblioteca para implantar cadeias LCEL como uma API de produção via FastAPI
• 2024–2025 — o ecossistema foi expandido com serviços como LangSmith (plataforma para rastreamento, métricas e testes A/B) e LangGraph (orquestração de fluxos de trabalho com múltiplos agentes); o número de estrelas no GitHub ultrapassou 100.000.

Funcionalidades do LangChain

• Cadeias de Raciocínio (Chains). O LangChain permite criar sequências de passos, onde cada um executa uma tarefa específica. Esses passos podem incluir interações com o modelo, processamento de sua saída, busca de informações adicionais e outras operações. Essa abordagem permite a criação de fluxos de trabalho complexos compostos por múltiplas etapas.
• Agentes (Agents). Os agentes no LangChain são programas que podem escolher ações dinamicamente, dependendo da situação. Por exemplo, um agente pode decidir qual ferramenta usar (busca na internet, consulta a um banco de dados, realização de cálculos, etc.) com base no contexto atual e nos resultados intermediários.

• Ferramentas (Tools). O LangChain inclui integrações com mais de 250 ferramentas e serviços externos. Isso permite que os modelos trabalhem com diversas fontes de dados, como bancos de dados, APIs, sistemas de gerenciamento de arquivos, além de executar ações por meio da linha de comando.

• Memória e Contexto (Memory). O LangChain suporta memória de longo prazo, permitindo que os modelos "lembrem" de informações entre as interações. Isso é especialmente importante para a criação de chatbots ou aplicações que precisam recordar o contexto da interação com o usuário e considerar seu histórico em respostas futuras.

• Retrieval-Augmented Generation (RAG). Na abordagem RAG, o LangChain utiliza não apenas a geração de texto, mas também a busca de informações adicionais em fontes reais (por exemplo, em bancos de dados ou sites). Isso permite que os modelos forneçam respostas mais precisas e fundamentadas, baseadas em dados atuais.
• Depuração e Observabilidade (Callbacks & Tracing). Para garantir transparência e controle sobre o processo de funcionamento do modelo, o LangChain oferece recursos de rastreamento e monitoramento. Isso permite acompanhar quais dados são utilizados pelo modelo, quais passos intermediários ele executa, além de coletar métricas de desempenho para melhorar a qualidade do sistema.

• Extensões para plataformas. O LangChain inclui componentes adicionais, como LangSmith e LangGraph, que fornecem capacidades para monitoramento centralizado, testes A/B e gerenciamento de fluxos de trabalho com múltiplos agentes. O LangSmith ajuda a analisar o desempenho dos modelos e a realizar testes, enquanto o LangGraph permite gerenciar tarefas complexas de múltiplos passos e acompanhar sua execução em tempo real.

LangSmith

LangSmith [6] — é uma plataforma em nuvem projetada para rastrear, analisar e otimizar o desempenho de aplicações que utilizam grandes modelos de linguagem (LLMs), especialmente aquelas construídas com o LangChain. O LangSmith oferece uma série de funcionalidades para monitorar e melhorar a qualidade de aplicações que trabalham com LLMs, incluindo rastreamento de desempenho, testes e avaliação de qualidade.

• Rastreamento (Tracing): Permite acompanhar todas as interações do modelo, incluindo dados de entrada e saída, bem como resultados intermediários.
• Métricas e Desempenho: Coleta estatísticas sobre tempo de resposta, contagem de tokens e outros parâmetros para avaliar o funcionamento do modelo.
• Testes A/B: Suporta a comparação de diferentes versões de modelos ou configurações para selecionar as mais eficazes.
• Human-in-the-loop: Inclui especialistas para avaliar e corrigir os resultados do modelo, melhorando sua precisão.
• Integrações com outros frameworks: Fornece suporte para integração com diversas plataformas para monitoramento e análise de aplicações.

• Suporte a multitarefa: Permite rastrear e gerenciar múltiplas tarefas simultaneamente dentro de um mesmo projeto.

LangGraph

LangGraph [7]— é uma ferramenta para orquestrar fluxos de trabalho complexos, de múltiplos passos e com múltiplos agentes, utilizada no ecossistema LangChain. O LangGraph fornece uma plataforma para criar e gerenciar cadeias lógicas e tarefas complexas que envolvem vários agentes ou etapas de execução.

• Fluxos de trabalho de múltiplos passos: Constrói cadeias de tarefas complexas, onde cada passo depende dos anteriores.
• Ciclos e ramificações: Suporta o retorno a etapas anteriores (backtracking) e a tomada de decisões com base em diferentes caminhos.
• Controle de versão e "viagem no tempo": Realiza o controle de alterações no fluxo de trabalho e a possibilidade de reverter para versões anteriores.
• Sistemas multi-agente: Permite gerenciar múltiplos agentes trabalhando em paralelo ou sequencialmente para executar diferentes tarefas.
• Suporte a soluções híbridas: Integra diferentes métodos de processamento de dados e geração de conclusões dentro de um único fluxo de trabalho.

• Flexibilidade de integração com sistemas externos: Conecta facilmente serviços e sistemas externos, como APIs e bancos de dados, aos fluxos de trabalho.

LangChain Expression Language (LCEL)

LangChain Expression Language (LCEL) [8]— é um framework DSL declarativo para a composição de objetos Runnable (cadeias, agentes, manipuladores). Ele é expresso através do operador | (pipe), que permite descrever o que deve acontecer, em vez de como implementar isso passo a passo. O estilo declarativo (o que fazer) descreve o resultado desejado, e o sistema decide como alcançá-lo. LCEL é um mecanismo de orquestração que permite ao LangChain executar cadeias de forma otimizada em tempo de execução.

• Para cadeias simples (por exemplo, prompt → LLM → parser ou extração simples), o LCEL é adequado.
• Se for necessária uma lógica complexa — com ramificações, ciclos, múltiplos agentes e gerenciamento de estado complexo — recomenda-se o uso do LangGraph. No entanto, dentro dos nós do grafo, ainda é possível aplicar o LCEL.

• Se for necessária apenas uma chamada ao LLM, o LCEL não é necessário; uma chamada direta ao modelo é suficiente.
• Para uma cadeia simples, o LCEL é bastante adequado e ajuda a aproveitar suas vantagens.

• Para cadeias complexas, utiliza-se o LangGraph, com a possibilidade de aplicar o LCEL embutido onde for necessário.

Cenários de Aplicação Típicos

O LangChain pode ser usado para resolver uma ampla gama de tarefas, como:

• Chatbots: Criação de assistentes inteligentes que podem interagir com o usuário, responder a perguntas e trabalhar com fontes de dados externas.
• Agentes autônomos: Desenvolvimento de sistemas que podem executar tarefas específicas sem intervenção humana, como coleta de informações ou geração de relatórios.
• Busca e análise de dados: Construção de sistemas para busca semântica e análise de documentos, o que pode ser útil para trabalhar com dados jurídicos, financeiros e de outros tipos.
• Automação de processos de negócio: Criação de soluções para automatizar o processamento de dados, a geração de relatórios e outras tarefas rotineiras.

Literatura

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Wang, L. et al. (2025). A Survey on Large Language Model Based Autonomous Agents. arXiv:2308.11432.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Li, X. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Wang, J. & Duan, Z. (2024). Agent AI with LangGraph: A Modular Framework for Enhancing Machine Translation Using Large Language Models. arXiv:2412.03801.
• Camargo da Silva, T. (2025). Extracting Knowledge Graphs from User Stories using LangChain. arXiv:2506.11020.
• Wang, Z. et al. (2024). Poisoned LangChain: Jailbreak LLMs by LangChain. arXiv:2406.18122.