LangChain

يُعد LangChain إطار عمل مفتوح المصدر بلُغتي Python وJavaScript، طوّرته شركة LangChain Inc. لربط النماذج اللغوية الكبيرة بالبيانات الخارجية والأدوات وبيئات التنفيذ. منذ إطلاقه في عام 2022، أصبح نقطة الانطلاق الأساسية للمطورين الذين يبنون أنظمة التوليد المعزز بالاسترجاع (RAG) والوكلاء المستقلين، حيث حصد أكثر من 135,000 نجمة على GitHub واعتمد عليه أكثر من 279,000 مشروع. المكتبة الأساسية مجانية ومرخصة بموجب MIT؛ بينما تحقق الشركة أرباحها من خلال LangSmith، وهي منصتها المدفوعة للمراقبة والنشر.

اعتباراً من أبريل 2026، يُقدم LangChain كمجموعة متكاملة: يتولى إطار العمل الأساسي تحميل المستندات، وتكوين السلاسل، وإدخال/إخراج النماذج عبر أكثر من 50 مزوداً للنماذج اللغوية الكبيرة (LLM)؛ ويتولى LangGraph (الإصدار 1.0 المستقر منذ أكتوبر 2025) تنسيق الوكلاء متعددي الخطوات مع حفظ الحالة ونقاط التحقق الدائمة؛ بينما يوفر LangSmith التتبع والتقييم ونشر الوكلاء للفرق التي تحتاج إلى مراقبة بيئة الإنتاج. يدعم إطار العمل النماذج المحلية عبر Ollama وLlamaCPP، وPinecone وWeaviate لتخزين المتجهات، ويتكامل مع FastAPI لتقديم الخدمات.

ما الذي يفعله LangChain فعلياً في أبريل 2026

تتمثل المهمة الأساسية لـ LangChain في التجريد: فهو يوفر واجهة قياسية تتيح للمطور استبدال OpenAI بـ Anthropic أو بنموذج Llama محلي بأقل قدر من التغييرات في التعليمات البرمجية. تقوم أدوات تحميل المستندات بسحب النصوص من أكثر من 100 مصدر (PDF، Notion، SQL، الويب). وتقوم التضمينات وموصلات مخازن المتجهات بتغذية هذا النص في مسارات الاسترجاع. تقوم السلاسل بتكوين هذه الخطوات بشكل تعريفي باستخدام LangChain Expression Language (LCEL). ويستخدم الوكلاء النموذج اللغوي الكبير (LLM) نفسه لتحديد الأدوات التي يجب استدعاؤها وبأي ترتيب.

كان الإصدار المزدوج لـ LangChain 1.0 وLangGraph 1.0 في 22 أكتوبر 2025 هو الإنجاز الأهم لإطار العمل. التزمت كلتا الحزمتين بعدم إجراء أي تغييرات جذرية حتى الإصدار 2.0، مما يعالج بشكل مباشر الشكوى التي أبعدت المطورين خلال حقبة الإصدارات من v0.0.x إلى v0.3. أضاف LangGraph 1.0 حالة دائمة (تستمر مسارات عمل الوكيل تلقائياً حتى بعد إعادة تشغيل الخادم)، وإمكانية الإيقاف المؤقت/الاستئناف بتدخل بشري عبر واجهة برمجة تطبيقات (API) من الدرجة الأولى، وبثاً كاملاً للرموز (tokens) واستدعاءات الأدوات وانتقالات الحالة. أضاف تحديث LangChain 1.1 اللاحق برمجيات وسيطة لإعادة محاولة النموذج مع تراجع أسي قابل للتكوين. أحدث إصدار مستقر هو langchain-core 1.3.2 (24 أبريل 2026).

أطلقت شركة LangChain Inc. أيضاً "Deep Agents" في 15 مارس 2026، وهو تجريد عالي المستوى لتنسيق الوكلاء المتعددين والذي حصد 9,900 نجمة على GitHub في أول خمس ساعات من إطلاقه. وما إذا كان هذا يشير إلى زخم حقيقي أم عودة لتضخم إطار العمل، فهو نقاش حي في مجتمع المطورين.

موقع LangChain مقارنة بـ LlamaIndex وOpenAI Agents SDK

البديلان الأكثر شيوعاً اللذان يلجأ إليهما المطورون عند ترك LangChain أو تجاوزه هما LlamaIndex وOpenAI Agents SDK. والاختلافات الميكانيكية بينها مهمة.

LangChain مقابل LlamaIndex: يعتمد LlamaIndex على الاسترجاع أولاً. محرك الاستعلام الخاص به هو وحدة العمل الأساسية، مع أساسيات مدمجة للتقسيم الهرمي، والاسترجاع بالدمج التلقائي، وتحليل الأسئلة الفرعية، وإعادة الترتيب. يتطلب إعداد مسار RAG بجودة الإنتاج كوداً مخصصاً أقل لأن إعدادات الاسترجاع الافتراضية مضبوطة جيداً. أما LangChain فيعتمد على التنسيق أولاً: لتحقيق جودة استرجاع مكافئة، ستقوم ببناء وكيل LangGraph مع استدعاء الأدوات، وهو ما يتطلب كوداً أكثر ولكنه يتعامل مع الاستدلال متعدد الخطوات، واستدعاءات واجهة برمجة التطبيقات (API)، ومجموعات الأدوات التي لا يستطيع LlamaIndex وحده التعامل معها. تُظهر بيانات الأداء من مقارنات المعايير أن LlamaIndex يسجل زمن انتقال يبلغ حوالي 6ms و1,600 رمز لكل استعلام؛ بينما يسجل LangChain حوالي 10ms و2,400 رمز لمهام استرجاع مماثلة. تستخدم العديد من فرق الإنتاج كليهما: LlamaIndex كطبقة استرجاع، وLangGraph كطبقة تنسيق فوقها.

LangChain مقابل OpenAI Agents SDK: يتبنى OpenAI Agents SDK الحد الأدنى من التجريد. توجد فئة Agent واحدة. تقوم بتعريف دالة Python، وتزيينها كأداة، وتمريرها إلى الوكيل. لا توجد كائنات تغليف للأدوات، ولا تكوين للسلاسل، ولا إعداد لمسار الاسترجاع. التتبع مدمج في منصة OpenAI. المقايضة هنا هي الارتباط بنموذج محدد: تعمل حزمة SDK على نماذج OpenAI فقط. بينما يدعم LangChain أكثر من 50 مزوداً، ويعمل مع النماذج المحلية، ويمنح الفرق مساراً للابتعاد عن الاعتماد على مزود OpenAI. بالنسبة للفرق الملتزمة بنظام OpenAI البيئي، فإن حزمة SDK أسرع في الإطلاق. أما بالنسبة للفرق التي تحتاج إلى قابلية نقل المزود، أو التوجيه متعدد النماذج، أو النشر المعزول عن الشبكة، فإن LangChain هو الخيار العملي.

كيف يبدو واقع إطار العمل

إن تجربة الاستخدام اليومي الصادقة لـ LangChain في عام 2026 أفضل مما كانت عليه قبل عامين، لكن الانتقادات التي شكلت سمعته لم تختفِ تماماً.

"في اللحظة التي تحتاج فيها إلى القيام بشيء أصلي قليلاً، عليك المرور عبر 5 طبقات من التجريد لمجرد تغيير تفصيل دقيق." - sc077y، Hacker News، يونيو 2024

هذه الشكوى، المأخوذة من موضوع Hacker News المقروء على نطاق واسع "لماذا لم نعد نستخدم LangChain" (id=40739982)، لا تزال تتردد أصداؤها. عالج الإصدار 1.0 استقرار واجهة برمجة التطبيقات (API) ولكنه لم يبسط مكدس التجريد. وجدت كلارا تشونغ، عند توثيق ترقية فريقها في ديسمبر 2025 إلى LangChain 1.0 في بيئة الإنتاج، أن نظام البرمجيات الوسيطة الجديد أدخل "زمن انتقال ملحوظ" لمسارات العمل الأبسط لأن البرمجيات الوسيطة المدمجة (ToDoList، Filesystem، Summarization) لا يمكن تعطيلها بشكل انتقائي. قوة إطار العمل هي أيضاً عبئه: كل نقطة تكامل هي سطح محتمل لتصحيح الأخطاء.

"لا يمكن استخدام LangChain خارج نطاق العروض التوضيحية. يبدو وكأن حتى التسجيل السليم يدفعه إلى ما هو أبعد من قدراته." - tkellogg، Hacker News، يونيو 2024

تصحيح الأخطاء هو نمط الفشل المحدد الذي يذكره المطورون أكثر من غيره. عندما تفشل حلقة الوكيل، يمر مكدس الاستدعاءات عبر الأجزاء الداخلية لـ LangChain قبل إظهار استدعاء النموذج الفعلي. بدون تتبع LangSmith، فإن العثور على الموجه الدقيق المرسل إلى النموذج، وأي جزء تم استرجاعه، وأي استدعاء للأداة أنتج مخرجات سيئة يتطلب أدوات يدوية. وثّق منشور حامد حسين في فبراير 2024 "Fuck You, Show Me The Prompt" (hamel.dev) العثور على أخطاء إملائية ("Let'w") في الموجهات التي أنشأها LangChain والتي كانت غير مرئية ما لم تقم بفحص حمولة الطلب صراحةً. يحل LangSmith هذه المشكلة، ولكنه المنتج المدفوع.

أثار موضوع على Reddit في مارس 2026 بعنوان "يبدو أن LangChain ينجرف نحو LangSmith" قلقاً هيكلياً أكبر بين مهندسي تعلم الآلة ذوي الخبرة: وهو أن إدخالات سجل التغييرات في LangChain تضيف بشكل متزايد خطافات تتبع بدلاً من وظائف إطار العمل، وأن الوثائق تفترض الآن وجود LangSmith في المكدس. أقر هاريسون تشيس، الرئيس التنفيذي لشركة LangChain Inc.، بمشكلة التجريد المبكرة في نفس موضوع HN في يونيو 2024، قائلاً إن "الإصدار الأولي من LangChain كان عالي المستوى للغاية وجرّد الكثير من الأشياء بشكل مطلق". يعكس الإصدار 1.0 تصحيحاً للمسار. وما إذا كان قد ذهب بعيداً بما فيه الكفاية هو سؤال مفتوح حقيقي في أبريل 2026.

يُعد نمط "النموذج الأولي ثم إعادة الكتابة" شائعاً بما يكفي ليكون مسار عمل معروفاً: يستخدم المطورون LangChain للتحقق من صحة فكرة ما في أيام بدلاً من أسابيع، ثم يستبدلون مكونات LangChain تدريجياً باستدعاءات واجهة برمجة التطبيقات (API) المباشرة بمجرد فهم السلوك. يُستخدم LangChain كسقالات بدلاً من بنية تحتية دائمة.

لمن تم بناء LangChain

يناسب LangChain ثلاثة مواقف محددة بشكل أفضل. الأول هو البيئات متعددة المزودين حيث تقوم الفرق بتشغيل نماذج مختلفة لمهام مختلفة أو تحتاج إلى التحوط ضد بائع نماذج لغوية كبيرة (LLM) واحد. يتطلب استبدال OpenAI بـ Anthropic تغيير فئة النموذج والقليل من الأشياء الأخرى. الثاني هو مسارات عمل الوكيل ذات الحالة: إذا كان وكيلك بحاجة إلى التوقف مؤقتاً في منتصف التنفيذ لخطوة موافقة بشرية، أو الاستئناف بعد إعادة تشغيل الخادم، أو الحفاظ على الحالة عبر مهمة خلفية تستمر لعدة أيام، فإن البنية التحتية لنقاط التحقق في LangGraph تقوم بذلك بشكل جاهز. إن بناء سلوك مكافئ من الصفر مقابل واجهات برمجة التطبيقات المباشرة يستغرق أسابيع من العمل الهندسي. الثالث هو النماذج الأولية السريعة لـ RAG في المؤسسات: تعمل أدوات تحميل المستندات المبنية مسبقاً، وموصلات مخازن المتجهات، وقوالب سلسلة الاسترجاع على تسريع الإصدار الأول العامل بشكل حقيقي.

تحصل الفرق التي اعتمدت LangSmith كمعيار للمراقبة على قيمة إضافية من التكامل الوثيق. يشكل تتبع LangSmith، ومجموعات بيانات التقييم، وقوائم انتظار التعليقات التوضيحية حلقة ملاحظات يصعب تكرارها باستخدام أدوات المراقبة العامة.

ما لا يمثله LangChain

تجاوز LangChain عندما تكون حالة الاستخدام بسيطة أو عندما يرغب الفريق في تقليل مساحة سطح إطار العمل. لا يستفيد استدعاء النموذج اللغوي الكبير (LLM) بخطوة واحدة بدون استرجاع، وبدون استخدام أدوات، وبدون منطق متعدد الخطوات من LangChain؛ فاستدعاءات واجهة برمجة التطبيقات (API) المباشرة أسرع في الكتابة، وأسهل في الاختبار، ولا تحمل أي أعباء إضافية. بالنسبة لتطبيقات استرجاع المستندات البحتة حيث تكمن المشكلة الأساسية في جودة البحث بدلاً من التنسيق، فإن بنية LlamaIndex التي تعتمد على الاسترجاع أولاً وملف تعريف زمن الانتقال المنخفض الخاص به يكونان أكثر منطقية. بالنسبة للفرق الملتزمة تماماً بنماذج OpenAI والتي ترغب في الإطلاق بسرعة دون قراءة وثائق إطار العمل، فإن OpenAI Agents SDK هو المسار الأسرع.

لا يُعد LangChain أداة بدون كود (no-code) أو منخفضة الكود (low-code). لا توجد واجهة مستخدم رسومية (GUI)، ولا منشئ مسار عمل بالسحب والإفلات (Flowise هو البديل الذي بناه المجتمع والذي يغلف LangChain في واجهة مرئية). يحتاج المستخدمون غير التقنيين إلى منتج مختلف. ستواجه الفرق ذات الخبرة المحدودة في Python/TypeScript صعوبة مع طبقات التجريد حتى بعد استقرار الإصدار 1.0. ويجب على الفرق التي لا يمكنها قبول أي عبء في زمن الانتقال (التطبيقات في الوقت الفعلي حيث يكون لكل مللي ثانية أهمية) قياس أداء LangChain مقابل استدعاءات واجهة برمجة التطبيقات (API) المباشرة قبل الالتزام، نظراً للعبء الإضافي الذي يبلغ حوالي 4ms في استعلامات الاسترجاع المماثلة.

شكل الإصدار 1.0 من LangChain نضجاً حقيقياً بعد ثلاث سنوات من التكرار السريع والفوضوي أحياناً. يغير ضمان الاستقرار حسابات الاعتماد في بيئة الإنتاج. لكن نقاش مجتمع المطورين حول ما إذا كان التجريد يستحق تكلفته لم يُحسم بعد، والتوجه نحو الاعتماد على LangSmith هو توتر حقيقي في نموذج الأعمال يستحق المراقبة.