5 erreurs fréquentes avec LangChain

1. ImportError sur les imports déplacés

Le symptôme :

ImportError: cannot import name 'LLMChain' from 'langchain'

ou

LangChainDeprecationWarning: Importing ChatOpenAI from langchain.chat_models
is deprecated. Please import from langchain_openai instead.

Pourquoi ça arrive :

Depuis LangChain 0.2 (et renforcé en 0.3), les intégrations tierces ont été déplacées dans des packages séparés. ChatOpenAI n’est plus dans langchain mais dans langchain-openai. ChatAnthropic est dans langchain-anthropic. Et ainsi de suite.

La plupart des tutoriels et réponses StackOverflow qu’on trouve en ligne utilisent encore les anciens imports.

La solution :

# ❌ Ancien import (ne fonctionne plus ou affiche un warning)
from langchain.chat_models import ChatOpenAI
from langchain.embeddings import OpenAIEmbeddings

# ✅ Nouvel import
from langchain_openai import ChatOpenAI, OpenAIEmbeddings

Règle générale : si la classe est liée à un fournisseur (OpenAI, Anthropic, Google, Cohere, etc.), elle est dans langchain-<fournisseur>. Installer le package séparé :

pip install langchain-openai
# ou
pip install langchain-anthropic

Les classes du cœur du framework restent dans langchain-core :

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

2. TypeError dans les chaînes LCEL : types incompatibles

Le symptôme :

TypeError: Expected mapping type as input to ChatPromptTemplate.
Received: <class 'str'>

ou

TypeError: Expected a Runnable, callable or mapping.

Pourquoi ça arrive :

Chaque composant LCEL attend un type d’entrée spécifique. Un ChatPromptTemplate attend un dictionnaire {"variable": "valeur"}. Si vous lui envoyez une string, il échoue.

La solution :

Vérifiez la signature d’entrée/sortie de chaque composant de la chaîne :

# ❌ Erreur : invoke attend un dict, pas une string
chain = prompt | model | StrOutputParser()
result = chain.invoke("ma question")

# ✅ Correct : passer un dictionnaire
result = chain.invoke({"question": "ma question"})

Pour déboguer une chaîne complexe, inspectez le graphe :

# Afficher la structure et les types attendus
chain.get_graph().print_ascii()

# Voir les schémas d'entrée/sortie
print(chain.input_schema.model_json_schema())
print(chain.output_schema.model_json_schema())

3. Clé API manquante ou mal configurée

Le symptôme :

openai.AuthenticationError: Error code: 401 - Incorrect API key provided

ou

anthropic.AuthenticationError: Could not resolve authentication method.

Pourquoi ça arrive :

Les packages d’intégration cherchent la clé API dans des variables d’environnement spécifiques. Si la variable n’existe pas ou a le mauvais nom, l’erreur est souvent cryptique.

La solution :

Chaque fournisseur attend une variable précise :

# OpenAI
export OPENAI_API_KEY="sk-..."

# Anthropic
export ANTHROPIC_API_KEY="sk-ant-..."

# Google (Gemini)
export GOOGLE_API_KEY="AI..."

Ou passez la clé directement (déconseillé en production, utile pour le debug) :

from langchain_openai import ChatOpenAI

# Clé explicite — pour le debug uniquement
model = ChatOpenAI(model="gpt-4o-mini", api_key="sk-...")

Piège courant : créer un fichier .env sans utiliser python-dotenv pour le charger :

# Le fichier .env ne se charge pas tout seul
from dotenv import load_dotenv
load_dotenv()  # Charge les variables de .env dans os.environ

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o-mini")  # Maintenant ça marche

4. Confusion entre invoke, run, call et predict

Le symptôme :

AttributeError: 'RunnableSequence' object has no attribute 'run'

ou un DeprecationWarning sur .predict() ou .__call__().

Pourquoi ça arrive :

LangChain a changé son API principale entre les versions 0.1, 0.2 et 0.3. Les anciennes méthodes (run, predict, __call__) sont dépréciées ou supprimées. Les tutoriels pré-0.3 utilisent encore ces méthodes.

La solution :

Depuis LangChain 0.3, il n’y a qu’une seule API — l’interface Runnable :

# ❌ Anciennes méthodes (dépréciées)
chain.run("ma question")
chain.predict(question="ma question")
chain("ma question")
model.predict("ma question")

# ✅ Méthodes Runnable (actuelles)
chain.invoke({"question": "ma question"})   # Synchrone, une entrée
chain.batch([{"question": "q1"}, ...])      # Synchrone, plusieurs entrées
chain.stream({"question": "ma question"})   # Streaming
await chain.ainvoke({"question": "..."})    # Asynchrone

Tableau de correspondance :

Ancien	Nouveau
chain.run(input)	chain.invoke(input)
chain.predict(**kwargs)	chain.invoke(kwargs)
chain(input)	chain.invoke(input)
model.predict(text)	model.invoke(text)
model.apredict(text)	await model.ainvoke(text)

5. Versions incompatibles entre packages LangChain

Le symptôme :

pydantic.errors.PydanticSchemaGenerationError: Unable to generate
pydantic-core schema for <class 'langchain_core...'>

ou des erreurs mystérieuses de sérialisation, de validation, ou de types.

Pourquoi ça arrive :

L’écosystème LangChain est distribué sur plusieurs packages (langchain, langchain-core, langchain-community, langchain-openai, etc.). Si ces packages ne sont pas à des versions compatibles, les modèles Pydantic internes divergent et provoquent des erreurs de sérialisation.

La solution :

Vérifiez les versions installées :

pip list | grep langchain

Résultat attendu (juillet 2026) :

langchain              1.3.13
langchain-core         1.4.8
langchain-community    0.6.x
langchain-openai       0.5.x

Règle : mettez à jour tous les packages LangChain en même temps :

pip install --upgrade langchain langchain-core langchain-community langchain-openai

Ne jamais fixer manuellement langchain-core à une version différente de celle attendue par langchain. Laissez pip résoudre les dépendances.

Si le problème persiste, repartez d’un environnement propre :

python -m venv .venv
source .venv/bin/activate
pip install langchain langchain-openai

Bonus : activer les logs de debug

Quand l’erreur n’est pas claire, activez les logs détaillés de LangChain :

import langchain
langchain.debug = True

# Ou pour plus de granularité
import logging
logging.getLogger("langchain").setLevel(logging.DEBUG)

Avec debug = True, chaque étape de la chaîne affiche son entrée et sa sortie dans la console. C’est le premier réflexe quand une chaîne se comporte de manière inattendue.