LangChain（LLMアプリ構築のための代表的なフレームワーク）を学ぶべきか、それともLangGraph（エージェントの状態遷移を制御する拡張ライブラリ）なのか。CrewAIやAutoGenも気になる。そんな迷いを抱えているエンジニア、あるいはチームの採用要件を書く立場の技術リーダーに向けた話です。求人票の実データを見ると、この迷い自体が的外れかもしれないという結果が出ています。
2026年3月から5月にかけて、エージェント特化型の求人サイトが自社掲載の1135件を集計したデータがあります。運営元は公表されていないため、あくまで一つのスナップショットとして読む必要がありますが、傾向としては十分参考になります。結論から言うと、半数以上の求人がフレームワーク名を一切挙げていません。名前を挙げている求人でも、平均2.31個のフレームワークを併記しています。つまり「これだけ書ければ受かる」という単一の正解が存在しない構造になっています。
フレームワーク名より重視されているもの
内訳を見ると、LangChainが392件で最多、LangGraphが256件、LlamaIndex（検索拡張生成のためのデータフレームワーク）が150件、CrewAIが106件、AutoGenが74件と続きます。市場のデフォルトとされるLangChainでさえ、単独で登場するのは8件中1件だけです。複数フレームワークの併記が当たり前になっている以上、1つのツールを極めることの優先順位は下がります。
給与データはさらに踏み込んだ示唆を含んでいます。フレームワーク名を明記した求人の年収中央値は18.5万〜19万ドルで、エージェント関連求人全体の中央値21.3万ドルより約2万ドル低いという結果です。フレームワーク名を書けることは、必ずしも高年収に直結していません。参考までに、米国のAIエンジニア求人4万3480件全体の年収中央値は17.6万ドル（Axial Search調べ）で、エージェント領域はやや高めの水準にあります。ただし集計期間や手法が異なるため、この差を厳密な比較として読むのは避けたほうが安全です。
実際の求人文面を見ると、繰り返し登場するのはフレームワーク名ではなく「evals」と「observability」という単語です。evalとは、システムの回答が期待通りかを自動採点する仕組みのことで、あらかじめ用意した正解データセット（golden dataset）と照合して評価します。ある応用AIエンジニア求人（年収21.5万〜25万ドル）では「Langfuseを使い、安全性・有効性・パーソナライズ性を測るルーブリックと評価ハーネスを設計する」と明記されています。別のシニアエンジニア求人（19.3万〜34万ドル）では「エージェントの挙動を分析するための観測性と計装を改善し、低レイテンシなエージェント実行基盤を設計・実装する」とあります。プロダクトマネージャー向けの求人でも、LLMのオーケストレーション、レイテンシ、キャッシング、信頼性、評価、観測性、コストという同じ語彙が並び、「cost per successful outcome（成功した1件あたりのコスト）」という表現まで登場します。
ファインチューニングは必須ではない
モデルの訓練が必要になるという不安からこの分野を避けている人も多いかもしれません。LangChain自身が2025年末に実施した1340人規模の実務者調査によると、57%がファインチューニングを一切行っていません。実務のベースラインは「ベースモデル + プロンプト設計 + RAG（検索拡張生成）」の組み合わせで、そこにevalによる継続的な検証を重ねる構成が主流です。同じ調査では57.3%がすでに本番環境でエージェントを運用しており、89%が何らかの観測性の仕組みを備えています。機械学習の数式に戻って勉強し直すより、評価設計と運用指標の読み方を身につけるほうが、求人票が求める人材像に近づく近道と言えそうです。
ツール名はまだ求人に定着していない
評価ツールそのものの名前は、求人票にはまだあまり登場しません。英国の求人集計サイトITJobsWatch（2026年9月2日時点）では、過去6ヶ月でLangSmith（38件）とLangfuse（31件)の2つしか名前が挙がらず、Braintrustに至っては専用ページすら存在しない状態です。件数が少なすぎて給与データも読み取れません。ここから読み取れるのは、企業が採用時に見ているのはツール名の一致ではなく「評価設計ができるか」「運用指標を読めるか」という能力そのものだという点です。
例外的にどのフレームワークの求人にも横断的に登場するのがMCP（Model Context Protocol、AIモデルが外部ツールやデータソースに接続するための標準プロトコル）です。5つの主要フレームワークいずれの求人でも17〜24%の割合で言及されています。ただしMCPはセキュリティ上の課題も同じ速度で増えており、「MCPを使える」だけでなく「安全に使える」ことが評価対象になっている点は押さえておく必要があります。
急成長中の職種名として「Forward Deployed Engineer（顧客先に常駐し本番環境まで責任を持つエンジニア）」があり、米国Indeedの求人指数で1年間に729%増加しています。ただしこの肩書きは、フロンティアラボ（最先端のAIモデルを開発する企業）での役割と、一般企業での役割とで報酬水準が大きく異なります。肩書きだけで判断しないほうがよさそうです。
今日、自分の状況を確認する方法
ここまでの内容を踏まえ、実際に確認できることは3つあります。
- 自分やチームの求人票・職務経歴書に、フレームワーク名だけが並んでいないか見直す。evalの設計経験や観測性ツールの運用経験が書けているか確認する
- LangSmith・Langfuse・Braintrustのいずれかを実際に触ってみて、golden datasetを使った自動評価の仕組みを一度組んでみる。無料枠やOSS版で十分試せる範囲がある
- MCPを使ったツール連携をすでに構築しているなら、認証・権限スコープ・入力サニタイズなど安全面の設計を棚卸しする。使えることと安全に使えることは別のスキルとして評価される
採用側の立場であれば、求人票にフレームワーク名を並べるより「どんな評価基準で品質を測るか」「本番運用でどんな指標を追うか」を明記したほうが、実務者の関心とかみ合う可能性があります。
まとめ
AIエンジニア職の採用基準は、特定フレームワークの習熟度ではなく、evalの設計力と運用観測の実務経験に寄っています。フレームワーク名を書ける求人のほうがむしろ年収中央値が低いというデータは、この分野の学び方を見直すきっかけになりそうです。まずは自分の職務経歴やチームの求人票を、フレームワーク名の羅列からeval・observabilityの実績ベースに書き換えてみることから始めてみてください。