A resposta curta
Aqui está toda a comparação em três frases. LangChain é um kit de ferramentas de propósito geral para conectar modelos de linguagem a prompts, ferramentas e dados — o canivete suíço que você pega primeiro. LlamaIndex é especializado em uma única tarefa: conectar um modelo aos seus próprios documentos e dados para que ele possa responder perguntas sobre eles (geração aumentada por recuperação, ou RAG). LangGraph é uma biblioteca de nível mais baixo, da equipe do LangChain, para construir agentes que fazem loops, se ramificam e lembram o estado ao longo de muitas etapas.
Eles não são exatamente rivais. Uma configuração comum usa o LlamaIndex para a recuperação, o LangChain para a orquestração ao redor e o LangGraph quando o fluxo de trabalho se torna um verdadeiro agente de múltiplas etapas. O restante deste guia explica quando cada um merece seu lugar, e o panorama completo — DSPy, CrewAI, AutoGen e mais — é comparado no nosso guia de frameworks LLM.
LangChain: o kit de ferramentas de propósito geral
O LangChain é o framework que a maioria das pessoas conhece primeiro, e por um bom motivo. Ele fornece blocos de construção prontos — templates de prompt, wrappers de modelos, memória, parsers de saída e “cadeias” (chains) que ligam etapas entre si — além de uma das maiores bibliotecas de integrações do ecossistema, cobrindo centenas de modelos, bancos vetoriais e ferramentas externas. Se você quer prototipar uma ideia rapidamente sem escrever o encanamento para cada provedor, o LangChain coloca você em movimento rápido.
O preço é a abstração. As camadas de conveniência do LangChain podem obscurecer o que de fato está sendo enviado ao modelo, o que algumas equipes experientes acham frustrante quando precisam de controle fino ou estão depurando um comportamento estranho. O framework amadureceu consideravelmente em resposta a isso, dividindo-se em um núcleo mais enxuto com complementos opcionais. Para orquestração geral, integrações e prototipagem rápida, ele continua sendo a escolha padrão — e combina naturalmente com um padrão como o MCP para conectar-se a ferramentas externas.
LlamaIndex: feito para recuperação e RAG
O LlamaIndex (antes chamado GPT Index) é construído em torno de uma necessidade única e muito comum: fazer um modelo responder perguntas sobre os seus dados — documentos internos, uma base de conhecimento, um conjunto de PDFs. Ele cuida bem das partes pouco glamourosas mas críticas do RAG: carregar e fragmentar documentos, construir índices e recuperar as passagens mais relevantes para alimentar o modelo no momento da consulta.
Se o seu projeto é essencialmente “conversar com nossos documentos”, o LlamaIndex geralmente entrega um bom resultado mais rápido do que um kit de ferramentas genérico, porque a recuperação é toda a sua razão de existir. Ele oferece de fábrica uma variedade de tipos de índice e estratégias de recuperação, e funciona bem ao lado do LangChain — muitas equipes usam o LlamaIndex para a camada de recuperação e o LangChain para tudo ao redor. Para uma visão mais ampla de onde a recuperação se encaixa, veja o guia de frameworks.
LangGraph: agentes com estado e múltiplas etapas
O LangGraph é o mais novo dos três e o mais diferente. Em vez de cadeias lineares, ele modela uma aplicação como um grafo de etapas, com estado explícito que persiste enquanto o controle flui entre elas. Isso o torna muito adequado para agentes que precisam fazer loops, ramificar conforme os resultados, pausar para aprovação humana ou tentar de novo quando algo falha — o tipo de controle com o qual cadeias lineares lidam de forma desajeitada.
Por ser de nível mais baixo, o LangGraph exige mais de você no início, mas devolve precisão e previsibilidade. É a ferramenta certa quando a sua “cadeia” realmente se tornou um agente — algo que planeja, executa ações, observa o resultado e decide o que fazer em seguida. Para tarefas simples de pergunta e resposta, ele é exagero; para fluxos de trabalho duráveis e com múltiplos atores, é para onde o ecossistema LangChain claramente está caminhando.
Lado a lado
| LangChain | LlamaIndex | LangGraph | |
|---|---|---|---|
| Ideal para | Orquestração geral, prototipagem | RAG sobre seus próprios dados | Agentes com estado e múltiplas etapas |
| Ideia central | Cadeias + integrações | Indexação + recuperação | Grafos + estado persistente |
| Nível | Alto nível, com tudo incluído | Focado, de alto nível para RAG | Nível mais baixo, controle explícito |
| Curva de aprendizado | Suave no início | Suave para Q&A de documentos | Mais íngreme |
| Uso típico | Chatbots, pipelines de ferramentas | Q&A de documentos, bases de conhecimento | Agentes autônomos, fluxos de trabalho |
As colunas se sobrepõem de propósito: o LangChain consegue fazer recuperação básica, o LlamaIndex consegue fazer orquestração leve, e o LangChain traz suas próprias ferramentas de agentes. A tabela mostra onde cada um é mais forte, não a única coisa que ele sabe fazer.
Qual você deveria escolher?
Combine a ferramenta com o trabalho em vez de procurar um único vencedor:
- Chat sobre seus documentos — comece com o LlamaIndex. A qualidade da recuperação é o que faz esses projetos darem certo ou errado, e essa é a especialidade dele.
- Protótipo que junta modelos e ferramentas — LangChain. As integrações e abstrações economizam dias de encanamento.
- Agente que planeja e age ao longo de muitas etapas — LangGraph, quando sua lógica superar uma cadeia linear.
- Tudo isso junto — combine-os. LlamaIndex para recuperação, LangChain para orquestração, LangGraph quando o fluxo de trabalho ganha estado.
Seja qual for a sua escolha, mantenha a camada de modelos substituível e conecte-se a ferramentas externas por meio de um padrão aberto como o MCP, para você não ficar preso a um fornecedor. E se nenhum dos três servir, o campo mais amplo — DSPy para otimização de prompts, CrewAI e AutoGen para sistemas multiagente — é comparado no nosso guia de frameworks LLM.