LangChain raises $125M to build the platform for agent engineering

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

LangChain은 기업가치 12억 5,000만 달러로 1억 2,500만 달러를 조달하고, 신뢰할 수 있는 에이전트의 개발·평가·배포·개선을 지원하는 에이전트 엔지니어링 플랫폼 확장을 발표했다.

📌 핵심 요약

• 2025년 10월 20일 발표한 투자 라운드는 IVP가 주도했으며, 기존 투자자 Sequoia·Benchmark·Amplify와 신규 투자자 CapitalG·Sapphire Ventures 등이 참여했다.
• LangChain은 비결정적인 LLM 시스템을 신뢰할 수 있는 경험으로 반복 개선하는 과정을 에이전트 엔지니어링으로 정의하며, 제품·엔지니어링·데이터 과학 관점의 결합을 강조했다.
• LangChain과 LangGraph 1.0을 출시했다. LangChain은 LangGraph 런타임을 기반으로 전면 개편됐으며, 2.0까지 호환성을 깨는 변경을 하지 않겠다고 밝혔다.
• LangSmith는 관측·평가·배포·Agent Builder를 아우르는 플랫폼으로 확장됐다. Insights Agent는 에이전트 행동 패턴을 자동 분류하며, 코드 없이 텍스트로 에이전트를 만드는 Agent Builder는 비공개 미리보기 단계다.
• 회사 발표에 따르면 LangChain과 LangGraph의 월간 합산 다운로드는 9,000만 회이며, 포춘 500대 기업의 35%가 회사 서비스를 사용한다. LangSmith의 월간 추적 처리량은 전년 대비 12배로 증가했다.

🧩 주요 포인트

1. 시제품 제작과 실제 운영 사이의 신뢰성 격차 → 에이전트 엔지니어링은 반복적인 검증과 개선을 개발의 핵심 과정으로 삼는다.
2. LangChain·LangGraph의 개발 기능과 LangSmith의 관측·평가·배포 결합 → 에이전트 구축부터 운영 데이터에 기반한 개선까지 지원 범위가 확대된다.
3. LangChain 1.0의 호환성 유지 방침과 Agent Builder의 비공개 미리보기 → 안정적인 개발 기반과 비즈니스 사용자의 진입 장벽 완화를 함께 추진하되, 기능별 공개 단계는 구분해야 한다.

🧠 상세 정리

1. 투자 유치와 플랫폼 확장 발표

LangChain은 2025년 10월 20일 기업가치 12억 5,000만 달러를 인정받아 1억 2,500만 달러를 조달했다고 발표했다. 이번 라운드는 IVP가 주도했고, 기존 투자자 Sequoia·Benchmark·Amplify와 신규 투자자 CapitalG·Sapphire Ventures가 참여했다. 회사는 조달 목적을 에이전트 엔지니어링 플랫폼 구축으로 설명하며, 투자 소식과 함께 LangChain·LangGraph 1.0, Insights Agent, 코드 없는 에이전트 빌더를 공개했다. Replit·Clay·Harvey·Rippling·Cloudflare·Workday·Cisco 등의 AI 팀이 자사 제품을 사용한다고 소개했다. 발표 말미에는 ServiceNow Ventures·Workday Ventures·Cisco Investments·Datadog Ventures·Databricks Ventures·Frontline도 신규 투자자로 언급했다.

2. 에이전트 엔지니어링이 필요한 이유

회사는 최초 langchain 패키지를 만든 3년 전부터 LLM이 애플리케이션의 가능성을 바꾸고, 데이터와 API에 접근하는 에이전트에서 그 잠재력이 본격적으로 드러난다고 보았다고 설명했다. 에이전트는 복잡한 시스템이므로 이를 활용하려면 새로운 도구와 인프라가 필요하다는 관점도 유지했다. 현재의 핵심 문제는 시제품을 만들기는 쉽지만 실제 운영에 투입하기는 어렵다는 점이다. 입력이나 에이전트의 변경이 예측하기 어려운 여러 결과를 만들 수 있기 때문이다. 이에 제품·엔지니어링·데이터 과학의 사고방식을 결합해 비결정적인 LLM 시스템을 신뢰할 수 있는 경험으로 반복 개선하는 과정을 에이전트 엔지니어링으로 정의했다.

3. LangChain과 LangGraph의 역할 및 1.0 개편

LangChain은 수백만 개발자와 수천 고객의 피드백을 바탕으로 초기 라이브러리에서 제품군을 확장했으며, 공급업체와 관계없이 작업에 적합한 모델을 선택할 수 있도록 해 왔다고 밝혔다. LangChain은 원하는 모델 제공자를 사용해 에이전트 개발을 빠르게 시작하도록 돕고, 1.0에서는 LangGraph 런타임을 기반으로 패키지를 전면 재작성했다. 개편 내용에는 일반적인 에이전트 패턴을 위한 사전 구축 아키텍처와 개선된 모델 연동이 포함된다. LangGraph는 저수준 오케스트레이션, 메모리, 사람의 개입을 지원해 맞춤형 에이전트의 각 단계를 제어하며, 지속 실행 기능으로 장시간 작업을 관리한다. 회사는 두 프레임워크의 1.0을 안정성을 나타내는 이정표로 소개하고, 개편된 LangChain에 대해 2.0까지 호환성을 깨는 변경이 없을 것이라고 밝혔다.

4. LangSmith의 관측·평가·배포 통합

기존 LangSmith는 에이전트를 이해하고 테스트하는 데 초점을 맞췄지만, 이번 발표에서는 실제 운영 데이터를 활용한 지속적인 테스트와 개선을 지원하는 종합 플랫폼으로 확장됐다. 관측 기능은 상세 실행 추적과 집계된 추세 지표를 제공해 에이전트의 동작을 파악하도록 돕는다. 평가 기능은 운영 데이터와 오프라인 데이터셋으로 에이전트 행동을 테스트하고 점수화한다. 기존 LangGraph Platform이었던 배포 기능은 장시간 작업에 맞춘 확장 가능한 인프라에서 한 번의 클릭으로 에이전트를 배포하도록 지원한다. LangSmith는 LangChain이나 LangGraph로 구축하지 않은 에이전트에도 사용할 수 있으며, 회사는 자사 도구를 함께 사용하면 신뢰성을 향한 반복 개선을 더 빠르게 수행할 수 있다고 설명했다.

5. Insights Agent와 Agent Builder의 추가

이번 발표는 프레임워크 개편 외에도 에이전트 동작을 이해하고 제작 진입 장벽을 낮추는 기능을 포함했다. Insights Agent는 LangSmith의 관측 기능에 추가된 에이전트로, 에이전트 행동 패턴을 자동으로 분류한다. 이는 상세 실행 추적과 추세 지표를 제공하는 기존 관측 기능에 행동 패턴 분류를 더하는 변화다. Agent Builder는 비즈니스 사용자가 코드 없이 텍스트로 에이전트를 만들 수 있도록 설계된 기능이다. 발표 시점에는 비공개 미리보기 단계였으며, 회사는 이를 에이전트 제작의 진입 장벽을 낮추기 위한 수단으로 소개했다. 따라서 두 기능은 각각 행동 이해와 제작 접근성을 다루지만, Agent Builder는 공개 이용 단계에 제약이 있다는 점을 함께 읽어야 한다.

6. 사용 규모와 후속 안내

회사는 플랫폼 확장의 배경이 되는 사용 규모로 LangChain과 LangGraph의 월간 합산 다운로드 9,000만 회를 제시했다. 또한 포춘 500대 기업의 35%가 자사 서비스를 사용한다고 밝혔으나, 이 수치의 대상을 특정 제품 하나로 한정하지는 않았다. 상용 플랫폼 LangSmith의 월간 추적 처리량은 전년 대비 12배로 증가했다고 설명했다. 이 수치들은 각각 오픈소스 다운로드, 기업의 서비스 사용, 상용 플랫폼의 추적 처리량을 가리키는 서로 다른 지표다. 회사는 문서에서 제공 기능을 확인하고, 발표 당주와 다음 주에 블로그에 게시될 출시별 상세 설명 및 교육 과정을 살펴보도록 안내했다. 에이전트 엔지니어링 플랫폼 개발에 참여할 인력을 채용 중이라는 소식도 덧붙였다.

🧾 핵심 주장 / 시사점

• 플랫폼 확장의 중심은 에이전트 제작 이후에도 운영 데이터를 관측·평가에 연결해 신뢰성을 반복 개선하는 데 있다.
• LangSmith는 자체 오픈소스 프레임워크 사용을 요구하지 않으므로, 플랫폼 활용 범위가 LangChain·LangGraph 기반 에이전트에 한정되지 않는다.
• 월간 다운로드 9,000만 회, 포춘 500대 기업의 서비스 사용률 35%, 월간 추적 처리량 12배 증가는 측정 대상이 달라 하나의 사용자 증가율로 합쳐 해석할 수 없다.

✅ 액션 아이템

• LangChain 1.0 도입 검토 시 LangGraph 런타임 기반 개편과 2.0까지의 호환성 유지 방침을 함께 확인.
• LangSmith의 관측·평가·배포 기능을 운영 데이터에 기반한 에이전트 반복 개선에 활용할 수 있는지 검토.
• Agent Builder 활용 검토에 비공개 미리보기라는 제약을 반영.

❓ 열린 질문

• 에이전트 엔지니어링의 반복 검증과 개선에서 신뢰할 수 있는 경험을 판단하는 기준은 무엇인가?
• LangSmith의 관측·평가·배포를 운영 데이터에 기반한 지속적인 개선 과정으로 어떻게 연결할 수 있는가?
• 비공개 미리보기 단계인 Agent Builder의 이용 조건과 공개 확대 시점은 무엇인가?