Belajar LangChain - Sejarah, Latar Belakang & Mengapa Membutuhkan LangChain

#Pendahuluan

Di episode 0, kalian sudah menyiapkan lingkungan: Python 3.10+, environment virtual, paket langchain dan langchain-openai, serta API key penyedia model. Sekarang saatnya bertanya hal yang lebih mendasar: kenapa LangChain ada? Sebelum menulis kode, kita perlu memahami dari mana framework ini lahir dan masalah apa yang sebenarnya ia pecahkan.

Episode 1 ini akan membawa kalian menyusuri evolusi LangChain — dari proyek open source kecil di 2022, lompatan besar ke v1.0 di 2025, hingga posisinya sekarang sebagai platform rekayasa agent. Di akhir episode kalian akan paham mengapa tools yang akan kita pelajari sepanjang series ini ada.

#Lahirnya Framework Chaining: 2022

LangChain dimulai di tahun 2022 oleh Harrison Chase sebagai proyek open source. Visi awalnya sederhana namun berani: menjadikan LLM mudah "dirangkai" — dalam istilah Inggrisnya, chaining. Saat itu setiap developer yang memakai LLM harus menulis ulang pola yang sama: memanggil API model, menyusun prompt, mem-parsing jawaban, lalu menyambungnya ke panggilan berikutnya. LangChain hadir untuk membakukan pola itu menjadi komponen yang bisa disusun seperti blok Lego.

Nama "chain" memang diambil dari konsep intinya: rantai — serangkaian langkah yang dialirkan input dari satu tahap ke tahap berikutnya. Framework ini dengan cepat populer karena satu alasan pragmatis: ia menghemat waktu berjam-jam boilerplate yang sama di setiap proyek LLM.

#Dari 0.x ke v1.0 (2025): Arsitektur Modular

Era 0.x adalah masa eksperimen. Semua komponen hidup dalam satu paket monolitik langchain, import terkadang berubah antar rilis kecil, dan struktur internal masih berkembang cepat. Popularitasnya melonjak, tapi keterbatasan arsitektur mulai terasa: dependency berantakan dan sulit diuji.

Babak baru dimulai ketika proyek ini dirombak besar-besaran dan resmi dirilis sebagai v1.0 pada 2025. Prinsip utama v1.0 adalah arsitektur modular:

Era 0.x: monolitik, semua di satu paket

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
 
llm = OpenAI(model_name="gpt-4o")

Era v1.x: modular, core terpisah dari integrasi

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
 
llm = ChatOpenAI(model="gpt-4o")

pip install langchain

pip install langchain-core langchain-openai

Perhatikan perbedaannya: di v1.x, primitif inti dipindah ke langchain-core, sementara integrasi ke setiap penyedia model hidup di paket masing-masing seperti langchain-openai dan langchain-anthropic. Hasilnya: dependency lebih ringan, rilis lebih cepat, dan kompatibilitas antar versi jauh lebih terjamin.

#LangChain Kini: Agent Engineering Platform

Setelah v1.0, LangChain tidak lagi sekadar "framework chaining". Istilah yang kini dipakai timnya adalah agent engineering platform — fondasi untuk merancang, membangun, dan mengoperasikan aplikasi agent. Ekosistemnya kini empat produk yang saling melengkapi:

Dengan kata lain: LangChain menyediakan komponen, LangGraph menyusun alurnya, LangSmith memantau dan mengujinya, dan LangServe mengeksposnya sebagai API. Kalian akan menyentuh keempatnya sepanjang series ini.

#Masalah yang Diselesaikan LangChain

#Standardisasi Provider dan Composability

Masalah pertama yang diselesaikan adalah standardisasi. Dunia LLM diramaikan banyak penyedia — OpenAI, Anthropic, Google, Mistral, dan lain-lain — masing-masing dengan SDK dan format respons berbeda. LangChain membungkus semuanya di balik antarmuka seragam, misalnya BaseChatModel, sehingga menukar penyedia hanya mengubah satu baris inisialisasi tanpa menyentuh logika di atasnya.

Konsekuensinya muncul composability: komponen yang satu bisa disambung ke komponen lain secara konsisten. Sebuah prompt template bisa dipakai ulang dengan model mana pun, output parser bisa dipasang ke model mana pun, dan semuanya bisa dirangkai menjadi pipeline — ini yang nanti kita pelajari sebagai LCEL di episode 2 dan 5.

#Memory, Tool Calling, dan Orkestrasi Stateful

Masalah kedua adalah hal yang membuat LLM sulit dipakai di aplikasi nyata: model itu stateless. Setiap panggilan berdiri sendiri, tidak mengingat percakapan sebelumnya, dan tidak bisa melakukan aksi nyata di luar teks.

LangChain menyelesaikannya lewat tiga mekanisme:

• Memory — menyimpan dan menyuntikkan riwayat percakapan ke prompt berikutnya.
• Tool calling — membiarkan model "meminta" dijalankannya fungsi eksternal seperti query database atau memanggil API.
• Orkestrasi stateful — mempertahankan state antar langkah melalui LangGraph, lengkap dengan checkpoint agar percakapan bisa diinterupsi dan dilanjutkan.

Ketiganya adalah pondasi dari aplikasi agent sungguhan — bukan sekadar chatbot yang menjawab satu pertanyaan.

#Kapan Kalian Membutuhkan LangChain

Pertanyaan yang wajar: "Kan saya bisa panggil API OpenAI langsung?" Jawabannya, bisa — dan untuk satu panggilan sederhana itu sah-sah saja. LangChain baru terasa nilainya saat kompleksitas bertambah, misalnya:

• Aplikasi memakai lebih dari satu penyedia model dan ingin menukarnya tanpa menulis ulang kode.
• Ada pipeline yang menghubungkan beberapa langkah: retrieve dokumen, susun prompt, panggil model, validasi output.
• Kalian butuh agent dengan tool calling, memory percakapan, atau alur yang bisa diinterupsi.
• Kalian butuh observability dan evaluasi terhadap aplikasi model yang kalian bangun.

#Penutup

Episode 1 membawa kalian memahami mengapa LangChain lahir dan berkembang: dari solusi chaining di 2022, arsitektur modular v1.0 di 2025, hingga ekosistem empat produk yang menaungi LangGraph, LangSmith, dan LangServe. Kalian juga tahu masalah yang diselesaikannya — standardisasi provider, composability, memory, tool calling, dan orkestrasi stateful.

Inti yang harus dibawa pulang:

• LangChain lahir di 2022 oleh Harrison Chase sebagai framework chaining; v1.0 (2025) membawa arsitektur modular core/integrations.
• LangChain kini adalah agent engineering platform: LangChain, LangGraph, LangSmith, dan LangServe.
• Nilai utamanya: standardisasi antarmuka provider dan composability komponen.
• Model LLM stateless — memory, tool calling, dan orkestrasi stateful disediakan framework.
• Gunakan LangChain saat kompleksitas pipeline, multi-provider, atau kebutuhan agent mulai bermunculan.

Di episode 2 berikutnya kita akan masuk ke inti arsitekturnya: konsep dasar LangChain — primitif langchain-core seperti chat models, prompt templates, output parsers, dan tools, ditambah bahasa komposisi LCEL yang akan menjadi tulang punggung semua contoh kode di series ini. Sampai jumpa!