LangChain: как построить AI-приложение с памятью, инструментами и цепочками

Большие языковые модели (LLM) стали основой современной разработки. Но простой запрос к модели — это ещё не приложение. Настоящие LLM-системы включают цепочки, память, подключение к API, размышления и даже действия.

Для таких задач был создан LangChain — фреймворк, который объединяет модели, данные, инструменты и цепочки в единое целое.

В этой статье — подробный разбор возможностей LangChain, установка, и множество примеров кода.

Минимальная установка:

pip install langchain

Поддержка OpenAI:

pip install openai

Для локальных моделей через Ollama

pip install langchain-ollama

Для RAG:

pip install langchain-community chromadb

from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage model = ChatOpenAI( api_key="YOUR_KEY", model="gpt-4o-mini" ) response = model([HumanMessage(content="Что такое LangChain?")]) print(response.content)

Цепочка (Chain) — последовательность шагов. Это позволяет контролировать процесс взаимодействия с моделью.

from langchain.chains import SequentialChain from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage llm = ChatOpenAI(api_key="YOUR_KEY", model="gpt-4o-mini") def clean_text(text: str) -> str: return text.replace("\n", " ").strip() def summarize(text: str) -> str: msg = [HumanMessage(content=f"Кратко перескажи: {text}")] return llm(msg).content chain = SequentialChain(chains=[clean_text, summarize]) text = """ LangChain — это инструмент, который позволяет управлять цепочками взаимодействия с LLM, добавлять память, векторные базы и API-инструменты. """ print(chain.run(text))

LangChain поддерживает:

краткосрочную память
долговременную память
векторные хранилища

Пример:

from langchain.memory import ConversationBufferMemory from langchain.chains import ConversationChain from langchain.chat_models import ChatOpenAI memory = ConversationBufferMemory() conversation = ConversationChain( llm=ChatOpenAI(api_key="KEY", model="gpt-4o-mini"), memory=memory ) print(conversation.predict(input="Привет, я Артём.")) print(conversation.predict(input="Как меня зовут?"))

Модель будет помнить имя без повторного ввода.

LLM сам по себе не знает вашей базы знаний. RAG (Retrieval Augmented Generation) решает это.

from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import Chroma from langchain.chains import RetrievalQA from langchain.chat_models import ChatOpenAI # Индексация texts = [ "Polars — очень быстрая библиотека DataFrame.", "LangChain — фреймворк для создания LLM-агентов." ] db = Chroma.from_texts(texts, embedding=OpenAIEmbeddings(api_key="KEY")) qa = RetrievalQA.from_chain_type( llm=ChatOpenAI(api_key="KEY", model="gpt-4o-mini"), retriever=db.as_retriever() ) print(qa("Что такое LangChain?"))

Пример — модель может выполнить Python код:

from langchain.agents import load_tools, initialize_agent, AgentType from langchain.chat_models import ChatOpenAI llm = ChatOpenAI(api_key="KEY", model="gpt-4o-mini") tools = load_tools(["python_repl"]) agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, ) print(agent.run("Вычисли 2 * 3 * 7"))

Модель сможет использовать Python как инструмент.

from langchain_ollama import ChatOllama model = ChatOllama(model="llama3.1") result = model.invoke("Привет! Объясни пользу LangChain.") print(result)

from langchain.agents import initialize_agent, load_tools, AgentType from langchain.chat_models import ChatOpenAI tools = load_tools(["serpapi", "python_repl"]) llm = ChatOpenAI(api_key="KEY", model="gpt-4o-mini") agent = initialize_agent( tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION ) agent.run("Найди курс доллара и вычисли его возведение в квадрат.")

Агент:

ищет информацию
обрабатывает данные
выполняет код

LangChain — это не просто библиотека для работы с LLM. Это полноценный фреймворк, который позволяет создавать интеллектуальные системы:

чат-боты
агенты
RAG-системы
интеграции с API
инструменты автоматизации

LangChain превращает LLM в инструмент, способный выполнять реальные задачи.

🙌 Если статья была полезной
Буду рад лайку и комментариям — это помогает продвигать материалы и подсказывает, какие темы разобрать в следующих публикациях.

#python #pythondeveloper #backend #django #flask

#разработка #железо #искусственный_интеллект #ai

#deeplearning #machinelearning #technology #искусственныйинтеллект #python #pythondeveloper #backend #backenddevelopment #backend_разработчик

LangChain: как построить AI-приложение с памятью, инструментами и цепочками

🔧 Установка LangChain

🤖 Первое приложение на LangChain

🔗 Chain — фундамент LangChain

📌 Пример: цепочка преобразования текста

🧠 Memory — память для диалогов

📚 RAG — поиск по документам + LLM

⚒ Инструменты: модель может работать с API

🧩 Подключение локальной модели (Ollama)

🧑‍💻 Создание полноценного агента

🎯 Итог статьи по LangChain