LangChain

Définition

LangChain est un framework open-source pour construire des applications basées sur les LLMs, lancé par Harrison Chase en octobre 2022 et rapidement devenu le framework le plus populaire de l'écosystème IA agentique. Il fournit des abstractions de haut niveau pour combiner des LLMs avec des sources de données externes, des outils, de la mémoire et des workflows d'agents autonomes. L'architecture de LangChain est basée sur des primitives composables : les Chains (chaînes de traitements séquentiels), les Agents (LLMs avec accès à des outils et capacité de raisonnement), les Memory (mécanismes de persistance du contexte conversationnel), les Retrievers (composants d'extraction d'information pour le RAG), et les Document Loaders/Text Splitters (ingestion et découpage de documents). Le paradigme LCEL (LangChain Expression Language), introduit en 2023, utilise l'opérateur pipe `|` pour composer des chaînes de traitement de manière déclarative et faciliter le déploiement en production via LangServe. Un pipeline RAG typique s'écrit : `retriever | prompt | llm | output_parser`. LangChain s'est imposé comme le standard de l'industrie pour les POC et prototypes IA agentiques en entreprise, avec une intégration native de plus de 200 LLMs (OpenAI, Anthropic, Mistral, Ollama), 50+ vector stores (Chroma, Pinecone, Weaviate, pgvector), et des centaines de tools (recherche web, APIs REST, bases de données SQL, code execution). Cependant, LangChain a aussi fait l'objet de critiques pour sa complexité croissante, ses abstractions parfois contra-intuitives et ses performances en production. Des alternatives comme LlamaIndex (plus focalisé RAG), Haystack (production-first), Pydantic-AI (type-safe) et les frameworks plus récents comme LangGraph (graphes d'agents) sont montées en popularité pour les use-cases avancés.

Pipeline RAG avec LCEL

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# Setup vector store
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = Chroma.from_documents(documents, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# Prompt RAG
prompt = ChatPromptTemplate.from_template(
    "Context: {context}
Question: {question}
Répondre en français avec les informations du contexte uniquement.")

# Pipeline LCEL
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-4o-mini")
    | StrOutputParser()
)
response = chain.invoke("Qu'est-ce que le NIS 2 ?")

LangSmith pour le monitoring

LangSmith est la plateforme de monitoring et d'évaluation des applications LangChain : traçage des chains/agents, évaluation automatisée des réponses, détection des régressions. Indispensable pour les déploiements production.

Écosystème LangChain

LangChain : framework core
LangGraph : orchestration stateful d'agents multi-étapes
LangServe : déploiement d'applications LangChain en API REST
LangSmith : observabilité, évaluation, datasets

Articles liés

Expert en cybersécurité offensive et intelligence artificielle. Pentest, audit et développement IA sur-mesure.

Services

Ressources

Projets & Outils

Contact

Nous contacter

Mentions légales Confidentialité Politique éditoriale Plan du site ⭐ Source préférée

Un projet cybersécurité ?

Expert dispo · Réponse 24h

Devis