LangChain dla początkujących: zbuduj swojego pierwszego agenta AI

LangChain to najpopularniejszy framework do budowania aplikacji AI w środowiskach produkcyjnych.

Czym jest LangChain?

LangChain to open-source'owy framework Python (i JavaScript) upraszczający tworzenie aplikacji z LLM.

Problemy, które rozwiązuje:

• Dawanie AI pamięci między rozmowami
• Łączenie AI z dokumentami i bazami danych
• Budowanie agentów z narzędziami (wyszukiwanie w sieci, kalkulator, API)

Instalacja

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

Pierwsza sieć (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", "Jesteś pomocnym asystentem AI."),
    ("user", "{question}")
])

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

System RAG: AI odpowiada z twoich dokumentów

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 oferuje 30 przewodników AI po $5 każdy."),
    Document(page_content="Przewodniki obejmują LangChain, n8n, inżynierię promptów i inne."),
]

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

prompt = ChatPromptTemplate.from_template("""
Odpowiedz na podstawie kontekstu: {context}
Pytanie: {question}
""")

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

Rozmowa z pamięcią

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="Cześć! Mam na imię Marek."))
print(conversation.predict(input="Pamiętasz moje imię?"))
# → "Tak, masz na imię Marek!"

Główne komponenty LangChain

Projekt praktyczny: bot obsługi klienta

faq_documents = [
    Document(page_content="Zwroty są przyjmowane w ciągu 30 dni od zakupu."),
    Document(page_content="Dostawa gratis przy zamówieniach powyżej 200 zł."),
    Document(page_content="Obsługa klienta czynna w dni robocze od 9 do 18."),
]

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

support_prompt = ChatPromptTemplate.from_template("""
Jesteś uprzejmym pracownikiem obsługi klienta.
Odpowiedz na podstawie tych informacji FAQ:
{context}

Pytanie klienta: {question}
""")

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

print(chain.invoke("Czy mogę zwrócić produkt?").content)

Chcesz nauczyć się LangChain od podstaw do poziomu zaawansowanego? Kompletny przewodnik LearnGeni zawiera rzeczywiste projekty. Zobacz wszystkie przewodniki.