Introduzione a LangChain nel 2026

Nel settembre 2026 LangChain conta 146.320 stelle su GitHub e la versione 1.4.0 è disponibile su PyPI dal 3 settembre 2026. Il framework è ormai indispensabile per chi vuole creare chatbot, assistenti di ricerca o automazioni basate su modelli linguistici, grazie a una collezione di componenti riutilizzabili che riducono drasticamente il codice boilerplate.

La novità più importante del rilascio 1.4.0 è l’integrazione del Model Context Protocol (MCP) direttamente nel core del pacchetto, eliminando la necessità di dipendenze aggiuntive e garantendo una migliore coerenza con il resto del framework.

Chi dovrebbe seguire questo tutorial?

Il tutorial è pensato per sviluppatori Python con conoscenze di base, ma senza esperienza pregressa su LangChain. Non è necessario alcun account cloud né hardware GPU particolarmente potente: basta una normale installazione Python e una chiave API di un provider LLM a scelta.

Al termine dei dodici passaggi avrai un progetto funzionante, pronto per essere esteso a scenari aziendali come database di conoscenza interna o bot di supporto.

Panoramica dell’ecosistema LangChain

LangChain non è più solo una libreria di “chain”. Oggi è il nucleo di un ecosistema composto da tre progetti distinti:

    • langchain: il core con chain, agenti e integrazioni.
    • langchain-core: astrazioni di base (Runnable, LCEL) in versione 1.6.3.
    • langchain-openai e langchain-anthropic: pacchetti di integrazione per i provider più popolari, versionati indipendentemente.

Questa separazione permette di aggiornare il core senza dover ricompilare ogni integrazione, semplificando la manutenzione.

Scenari d’uso più diffusi

Le aziende utilizzano LangChain principalmente in tre contesti:

    • Come “colla” tra più modelli LLM, ad esempio combinando un modello OpenAI per generazione testuale con uno più economico per classificazione.
    • Per costruire sistemi di ricerca interno che indicizzano documenti aziendali senza trasferirli a un singolo modello.
    • Come base per agenti autonomi in grado di eseguire sequenze complesse: ricerca in un database, calcolo, sintesi.

Concetti fondamentali

Prima di entrare nel codice, è utile chiarire i termini chiave di LangChain:

    • Chain: sequenza di operazioni (formattazione prompt, chiamata modello, parsing risposta).
    • LCEL (LangChain Expression Language): sintassi con l’operatore pipe | per concatenare componenti, simile a una pipeline Unix.
    • Agent: entità che decide autonomamente quali tool utilizzare e in quale ordine.
    • Tool: funzione invocabile da un agente (es. ricerca web, query a database, calcolatore).
    • Memory: meccanismo per mantenere il contesto della conversazione tra più turni.
    • Retriever / Vector Store: indicizza documenti in vettori e restituisce i più rilevanti, alla base del Retrieval‑Augmented Generation (RAG).

LangGraph vs AgentExecutor

Per agenti complessi con loop, percorsi paralleli o stati multipli, la tradizionale AgentExecutor è ora considerata “legacy”. La libreria LangGraph offre un modello basato su grafi di stato, più adatto a scenari di produzione.

Componenti dell’ecosistema e costi

LangChain e LangGraph sono open source sotto licenza MIT e quindi gratuiti. LangSmith è invece una piattaforma SaaS a pagamento per tracing, debug e monitoraggio. La tabella seguente riassume lo stato attuale (settembre 2026):

    • langchain – versione 1.4.0 – MIT – core di chain, agenti e integrazioni.
    • langchain-core – versione 1.6.3 – MIT – astrazioni di base, Runnables, LCEL.
    • langchain-openai – versione 1.6.2 – MIT – integrazione con modelli OpenAI (costi API a parte).
    • langchain-anthropic – versione 1.7.2 – MIT – integrazione con Claude (costi API a parte).
    • LangGraph – serie 1.2.x – MIT – orchestrazione di agenti tramite grafi di stato.
    • LangSmith Developer – SaaS – 0 $/mese fino a 5 000 trace – tracing base.
    • LangSmith Plus – SaaS – 39 $/seat/mese fino a 10 000 trace – tracing avanzato.

Oltre ai limiti gratuiti, LangSmith addebita 1,50 $ per LangChain Compute Unit (LCU) e 1,00 $ per LangSmith Unit (LSU).

Passo 1 – Preparare l’ambiente Python

Crea un virtual environment e installa le dipendenze di base:

python -m venv .venv

source .venv/bin/activate  # su Windows: .venv\Scripts\activate


pip install --upgrade pip


pip install langchain==1.4.0 langchain-core==1.6.3 langchain-openai==1.6.2

Passo 2 – Configurare le chiavi API

Aggiungi le chiavi dei provider LLM (es. OpenAI) come variabili d’ambiente:

export OPENAIAPIKEY=sk-xxxxxxxxxxxxxxxx

export ANTHROPICAPIKEY=sk-xxxxxxxxxxxxxxxx

Passo 3 – Creare una semplice Chain

Definisci un prompt e avvia il modello:

from langchain.llms import OpenAI

from langchain.prompts import PromptTemplate



prompt = PromptTemplate.from_template("Spiega in breve: {argomento}")


llm = OpenAI(model="gpt-4o-mini")


chain = prompt | llm


print(chain.invoke({"argomento": "LangChain"}))

Passo 4 – Aggiungere un Output Parser

Usa pydantic per ottenere risposte strutturate:

from langchain.output_parsers import PydanticOutputParser

from pydantic import BaseModel



class Risposta(BaseModel):


titolo: str


descrizione: str



parser = P