AI и машинное обучение

Учебник LangChain для начинающих

21 урок · 7 разделов · бесплатно, без регистрации

LangChain — это фреймворк для сборки приложений поверх больших языковых моделей. Если вы уже умеете дёргать API LLM напрямую и писать промпты, то этот курс покажет, как из отдельных вызовов собрать настоящее приложение: цепочки, память диалога, поиск по своим документам (RAG), агентов с инструментами и продакшн-обвязку. Мы разберём ключевые абстракции LangChain — модели, PromptTemplate, цепочки на LCEL, output parsers, retrievers — и в конце соберём чат-бота, отвечающего по вашим документам. Курс рассчитан на тех, кто знает Python и базово знаком с LLM; примеры с пакетами LangChain даны для чтения, исполнимые вставки — на чистом Python.

Курс «LangChain: приложения на LLM» состоит из 7 разделов и 21 урока: Введение: зачем нужен LangChain, Модели и промпты, Цепочки, LCEL и парсеры, Память диалога, Документы, эмбеддинги и retrieval, Агенты, инструменты и стриминг и Практика и продакшн. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.

Программа курса

1 Введение: зачем нужен LangChain
1. Что такое LangChain и какую проблему он решает
  LangChain как фреймворк оркестрации LLM-приложений: от одиночного вызова API к цепочкам, памяти, RAG и агентам.
2. Установка, пакеты и первый запуск
  Структура пакетов LangChain (core, интеграции, langchain), установка, ключи API и первый вызов модели.
3. Экосистема: где LangChain среди RAG, промптов и API
  Как LangChain соотносится с прямым API LLM, промпт-инжинирингом и RAG: что фреймворк добавляет поверх.
2 Модели и промпты
1. LLM против Chat models и типы сообщений
  Разница между текстовыми LLM и chat-моделями в LangChain, роли сообщений: System, Human, AI.
2. PromptTemplate: параметризация промптов
  Шаблоны промптов в LangChain: PromptTemplate и ChatPromptTemplate, подстановка переменных, плейсхолдеры.
3. Few-shot prompting: примеры в шаблоне
  Few-shot промпты в LangChain: как передать модели примеры через FewShotPromptTemplate и зачем это нужно.
3 Цепочки, LCEL и парсеры
1. LCEL и pipe-синтаксис: цепочки через |
  LangChain Expression Language: оператор |, интерфейс Runnable, invoke/batch/stream и составление цепочек.
2. Output parsers: структурированный вывод
  Парсеры вывода в LangChain: StrOutputParser, JSON и Pydantic-парсеры, как получить структуру вместо текста.
3. Ветвление и комбинирование цепочек
  RunnableParallel, RunnablePassthrough и RunnableLambda: параллельные ветки и подстановка данных в LCEL.
4 Память диалога
1. Почему LLM не помнит и что такое память
  LLM stateless: модель не хранит контекст между запросами; как память в LangChain имитирует диалог через историю.
2. RunnableWithMessageHistory: память в цепочке
  Как добавить память к LCEL-цепочке через RunnableWithMessageHistory, session_id и MessagesPlaceholder.
3. Стратегии истории: обрезка и суммаризация
  Управление длиной истории в LangChain: окно последних сообщений, обрезка по токенам и суммаризация.
5 Документы, эмбеддинги и retrieval
1. Загрузчики документов и сплиттеры
  DocumentLoader и TextSplitter в LangChain: загрузка файлов, разбиение на чанки, chunk_size и overlap.
2. Эмбеддинги и векторные хранилища
  Embeddings и VectorStore в LangChain: как текст превращается в вектор и как устроен поиск по близости.
3. Retrievers и сборка RAG-цепочки
  Retriever как интерфейс поиска и сборка RAG-цепочки в LangChain: контекст плюс вопрос в промпт и модель.
6 Агенты, инструменты и стриминг
1. Инструменты (tools) и tool calling
  Что такое tool в LangChain, как описать инструмент через @tool и как модель выбирает его вызов.
2. Агенты и паттерн ReAct
  Агенты в LangChain и цикл ReAct: рассуждение, выбор инструмента, наблюдение и повтор до финального ответа.
3. Стриминг и callbacks
  Стриминг ответов через stream() и наблюдаемость через callbacks в LangChain: токены по мере генерации и события.
7 Практика и продакшн
1. Практика: чат-бот по своим документам
  Пошаговая сборка Q&A-бота по документам в LangChain: загрузка, чанки, индекс, retriever, RAG-цепочка и память.
2. Трейсинг, стоимость и наблюдаемость
  Продакшн-LangChain: трейсинг вызовов, контроль стоимости токенов, кэширование и мониторинг качества.
3. Безопасность промптов и prompt injection
  Prompt injection в LangChain-приложениях: чем опасны RAG и инструменты, как защищаться и валидировать вывод.

Программа курса

1 Введение: зачем нужен LangChain

2 Модели и промпты

3 Цепочки, LCEL и парсеры

4 Память диалога

5 Документы, эмбеддинги и retrieval

6 Агенты, инструменты и стриминг

7 Практика и продакшн