LangChain voor Beginners: Bouw je Eerste AI-agent

LangChain is het meest populaire framework voor het bouwen van AI-applicaties in productieomgevingen.

Wat is LangChain?

LangChain is een open source Python (en JavaScript) framework dat het bouwen van applicaties met LLM's vereenvoudigt.

Problemen die het oplost:

• AI geheugen geven tussen gesprekken
• AI verbinden met je documenten en databases
• Agenten bouwen met tools (webzoekopdrachten, rekenmachine, API's)

Installatie

pip install langchain langchain-openai langchain-community chromadb python-dotenv

Je Eerste Chain

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "Je bent een nuttige AI-assistent."),
    ("user", "{question}")
])

chain = prompt | model | StrOutputParser()
result = chain.invoke({"question": "Wat is LangChain?"})
print(result)

RAG-systeem: AI Antwoordt vanuit je Documenten

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

documents = [
    Document(page_content="LearnGeni biedt 30 AI-gidsen aan voor $5 per stuk."),
    Document(page_content="De gidsen behandelen LangChain, n8n, prompt engineering en meer."),
]

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template("""
Antwoord op basis van de context: {context}
Vraag: {question}
""")

model = ChatOpenAI(model="gpt-4o-mini")
chain = ({"context": retriever, "question": RunnablePassthrough()} | prompt | model)
result = chain.invoke("Wat kosten de LearnGeni-gidsen?")
print(result.content)

Gesprek met Geheugen

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=ChatOpenAI(model="gpt-4o-mini"),
    memory=memory
)

print(conversation.predict(input="Hallo! Mijn naam is Jan."))
print(conversation.predict(input="Weet je nog hoe ik heet?"))
# → "Ja, je naam is Jan!"

Kerncomponenten van LangChain

Praktijkproject: Klantenservice-bot

faq_documents = [
    Document(page_content="Retourzendingen worden geaccepteerd binnen 30 dagen na aankoop."),
    Document(page_content="Gratis verzending bij bestellingen boven €50."),
    Document(page_content="Klantenservice is bereikbaar op werkdagen van 9-18 uur."),
]

vectorstore = Chroma.from_documents(faq_documents, OpenAIEmbeddings())

support_prompt = ChatPromptTemplate.from_template("""
Je bent een vriendelijke klantenservicemedewerker.
Beantwoord op basis van deze FAQ-informatie:
{context}

Klantvraag: {question}
""")

chain = ({"context": vectorstore.as_retriever(), "question": RunnablePassthrough()}
         | support_prompt 
         | ChatOpenAI(model="gpt-4o-mini"))

print(chain.invoke("Kan ik iets terugsturen?").content)

Wil je LangChain leren van basis tot gevorderd? De volledige gids van LearnGeni bevat echte projecten. Bekijk alle gidsen.