LangChain vs LangGraph｜2026年版AIアプリ開発の選び方

「どっちを使えばいいの？」という悩み

生成AIを使ったアプリを作りたい。ChatGPTみたいなチャットボットや、自動で文章を生成するツールを自分で作ってみたい。

そう思ってPythonで調べると、必ず出てくるのが「LangChain」と「LangGraph」という2つのライブラリ。

でも、両方ともAIアプリを作るためのツールらしい。一体どっちを使えばいいの？

結論から言うと、2026年の今、新規で作るなら「LangGraph」を選ぶのが正解です。

この記事では、LangChainとLangGraphの違いを「工場のベルトコンベア」と「チームでの仕事」というイメージで説明します。専門用語も全部噛み砕いて解説するので、安心して読み進めてください。

LangChainとは何か？工場のベルトコンベアをイメージしよう

LangChainは、AIに複数の処理をさせるときに使うPythonライブラリです。

「Chain（チェーン） 」って何？

Chain（チェーン） とは、処理を順番に「一本道」でつなげたものです。
入力→加工→出力と、ベルトコンベアのように流れていきます。

イメージしてください。
工場のベルトコンベアに材料を乗せると、

1. まず形を整える機械を通り
2. 次に色を塗る機械を通り
3. 最後に検品されて完成品が出てくる

LangChainも同じです。
ユーザーの質問を入れると、

1. まずプロンプト（AIへの指示）を作り
2. 次にAI（LLM）が回答を生成し
3. 最後に出力を整形して返す

【LangChainの処理フロー】
入力 → [プロンプト作成] → [AI回答生成] → [出力整形] → 完了
        ↓               ↓               ↓
        一方通行で流れていく（戻れない）

LangChainが得意なこと

• シンプルな処理: 翻訳、要約、フォーマット変換など
• 一発で終わる作業: 「この文章を英語にして」のような単純なタスク
• 学習コスト: 比較的簡単。数行で動くものが作れる

LangChainの限界

ただし、途中でやり直しができない。

AIが間違った回答を出しても、ベルトコンベアはそのまま流れていきます。「ちょっと待って、もう一回」ができないんです。

これが、現実のAIアプリ開発で問題になります。

LangGraphとは何か？チームでの仕事をイメージしよう

LangGraphは、LangChainの「一方通行」を解決するために生まれたライブラリです。

「Graph（グラフ） 」って何？

Graph（グラフ） とは、処理を「自由に」つなげる構造のこと。戻ったり、分岐したりできます。

ベルトコンベアではなく、オフィスでのチーム作業をイメージしてください。

1. 担当者Aが書類を作る
2. 担当者Bがチェックする
3. ダメなら担当者Aに差し戻す
4. OKなら上司に提出

【LangGraphの処理フロー】
入力 → [担当者A: 作成] → [担当者B: チェック]
                ↑                    ↓
        (不合格なら戻る) ←← [条件分岐] →→ 完了

この「戻る」「分岐する」ができるのが、LangGraphの最大の特徴です。

LangGraphの専門用語を噛み砕く

LangGraphを理解するには、4つの用語を押さえればOKです。

State（ステート） は特に重要です。LangChainは「ステートレス」（状態を覚えない、毎回「初めまして」状態）でしたが、LangGraphは「ステートフル」（状態を覚える、前回の続きから対応できる）です。

Human-in-the-loopとは？

Human-in-the-loop（ヒューマン・イン・ザ・ループ）は、AIが勝手に暴走しないための仕組みです。

AIが「この回答でいいですか？」と人間に確認を求め、人間が「OK」と言うまで先に進まない。これにより、AIが間違った判断をしても、人間がストップをかけられます。

実務では超重要な機能です。例えば、日報を自動生成するAIが「今日の売上は1億円」と書いたとき、人間が「いや、10万円の間違いだろ」と修正できる。これがないと、AIの間違いがそのまま公開されてしまいます。

どっちを選ぶ？判断チャート

比較表

ユースケース別の推奨

結論：迷ったらLangGraph

2026年の今、新規でAIアプリを作るなら、LangGraphを選んでおけば間違いない。

理由はシンプルです。

1. 実務では「やり直し」が必要になる
2. AIを野放しにするのは危険（Human-in-the-loopが必須）
3. LangChainの機能はLangGraphでも使える

LangChainが不要というわけではありません。LangGraphの中でLangChainの機能を呼び出すこともできます。ただ、設計の出発点としては「グラフ構造」で考えた方が、後々困りません。

実際に手を動かす：記事作成AIの例

LangChain版：書いたら出しっぱなし

# LangChain版（LCEL記法）
# 非常に簡潔だが、やり直しができない

chain = (
    {"topic": RunnablePassthrough()}  # 入力をそのまま流す
    | writer_prompt                    # プロンプトを作成
    | model                            # AIが記事を生成
    | StrOutputParser()                # 文字列として出力
)

result = chain.invoke("IoT導入のメリット")
# → 生成された記事がそのまま出力される（チェックなし）

LCEL（LangChain Expression Language）は、LangChainの新しい書き方です。パイプ（|）で処理をつなげていく、シンプルな記法。

LangGraph版：合格するまでループ

# LangGraph版
# 状態を管理し、合格するまでループする

# 1. 状態（State）の定義
class State(TypedDict):
    content: str   # 生成された記事
    is_ok: bool    # チェック結果

# 2. 各担当者（Node）の定義
def writer(state: State):
    # AIが記事を執筆
    return {"content": "生成された記事内容..."}

def critic(state: State):
    # 別のAIが内容をチェック
    # 100文字以上ならOK、未満ならNG
    check = True if len(state["content"]) > 100 else False
    return {"is_ok": check}

# 3. グラフの構築
builder = StateGraph(State)
builder.add_node("writer", writer)    # 執筆担当
builder.add_node("critic", critic)    # チェック担当

builder.set_entry_point("writer")     # 最初はwriterから
builder.add_edge("writer", "critic")  # writer → critic

# 条件分岐：OKなら終了、NGならwriterに戻る
builder.add_conditional_edges(
    "critic",
    lambda x: END if x["is_ok"] else "writer"
)

graph = builder.compile()

違いが分かるでしょうか？

LangGraph版では、critic（チェック担当）が「NG」を出したら、writer（執筆担当）に差し戻すことができます。納得いくまでループして、品質を担保できるんです。

2026年の推奨技術スタック

AIアプリを本格的に作るなら、以下の3点セットを覚えておいてください。

1. LangGraph：ロジックの本体

AIの「考え方」を定義する部分。今回説明したグラフ構造で、複雑な処理フローを組み立てます。

2. LangGraph Platform：デプロイの新標準

LangGraph Platformは、LangGraphで作ったエージェントをクラウド環境にデプロイするための公式プラットフォームです。以下の機能を標準でサポートしています。

• 永続化とメモリ管理
• Human-in-the-loop（人間による承認フロー）
• 高負荷時のスケーリング
• 長時間実行タスクのバックグラウンド処理
• Webhookとスケジュール実行（Cron）

⚠️ LangServeは非推奨になりました

従来のLangServeは現在メンテナンスモードに入っています。LangChain公式は新規プロジェクトにはLangGraph Platformの利用を推奨しています。

• 既存のLangServeプロジェクトは引き続き動作します
• バグ修正のみ受け付け、新機能の追加はありません
• 移行ガイド: LangGraph Platform Migration Guide

FastAPIベースのカスタムAPIを構築したい場合は、agent-service-toolkitを参考に、LangGraphを直接FastAPIに統合することも可能です。

3. LangSmith：可視化・デバッグツール

LangSmith（ラングスミス）は、AIが「中で何を考えてその回答を出したか」を追跡・可視化するツールです。

大規模開発や商用サービスでは、デバッグが詰みます。「なんでこの回答になったの？」を追跡できないと、問題を特定できない。LangSmithを繋いでおけば、GUIでAIの思考プロセスを全部追跡できます。

これが2026年現在の推奨アーキテクチャです。

今すぐ手を動かしたい人へ：おすすめリソース

「説明は分かった。で、具体的に何を見ればいいの？」

そんな人のために、習得順に整理しました。

2025年10月のLangGraph v1.0リリースに伴う重要な変更

以前の langchain/templates パスは廃止されました。これは、数が増えすぎて保守が困難になったことと、「Chain（連鎖）」から「Graph（グラフ）」への設計方針の転換によるものです。現在は以下の新しいリソースが標準となっています。

おすすめリポジトリ4選（2026年最新版）

公式リソース

各リソースの特徴

1. memory-templateをクローン
2. メモリスキーマをカスタマイズ（何を覚えさせるか定義）
3. 既存のチャットボットに記憶層として統合
4. LangGraph Platformまたは自前サーバーにデプロイ

1. langgraph-exampleをフォーク
2. src/agent.py を自分のロジックに書き換え
3. langgraph.json を設定
4. LangGraph Platform にデプロイ（GitHub連携でワンクリック）

1. agent-service-toolkitをクローン
2. Docker Composeで開発環境を起動
3. src/agents/ 配下でエージェントロジックを実装
4. FastAPI経由でAPIエンドポイントを公開
5. Streamlit UIまたは自前フロントエンドから呼び出し

1. gpt-researcherをクローン
2. APIキー（OpenAI、Tavily等）を設定
3. python -m gpt_researcher でCLI実行、または FastAPI UIを起動
4. 調査テーマを入力 → 自動でWeb検索 → レポート生成

結論：どれを選ぶべき？

• 「LangGraphの基本を学び、公式環境で動かしたい」 → langgraph-example をベースにしましょう
• 「特定の機能をAIに覚えさせたい」 → memory-template の中身を参考にロジックを組み込みましょう
• 「自社のサーバーでAPIや管理画面まで含めて構築したい」 → agent-service-toolkit をForkして開発を始めましょう
• 「すぐに役立つリサーチツールが欲しい / 高度な設計を盗みたい」 → gpt-researcher を動かしてみましょう

開発環境のセットアップ（2026年版）

# langgraph-cliをインストール
pip install "langgraph-cli[inmem]"

# 開発サーバーを起動（ホットリロード対応）
langgraph dev

# または、LangGraph Studioを使用してGUIで開発

まとめ

押さえておくべき3つのポイント

1. LangChain = ベルトコンベア（一方通行）、LangGraph = チーム作業（戻れる）
2. 実務では「やり直し」と「人間の確認」が必要 → LangGraphが必須
3. 本格開発なら LangGraph + LangGraph Platform + LangSmith の3点セット（LangServeは非推奨）

結論

今日からできること

   pip install "langgraph-cli[inmem]"
   langgraph dev

参考動画

FastAPIとLangGraph、MCPツールを組み合わせた実践的なエージェント構築の解説動画です。
Human-in-the-loop（承認フロー）の実装方法も学べます。