LangChain для початківців: створіть свого першого ШІ-агента

LangChain — найпопулярніший фреймворк для створення ШІ-додатків у виробничих середовищах.

Що таке LangChain?

LangChain — це відкритий Python (та JavaScript) фреймворк, що спрощує створення додатків з LLM.

Проблеми, які він вирішує:

• Надання ШІ пам'яті між розмовами
• Підключення ШІ до ваших документів і баз даних
• Створення агентів з інструментами (пошук в інтернеті, калькулятор, API)

Встановлення

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

Перший ланцюжок (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", "Ви корисний ШІ-помічник."),
    ("user", "{question}")
])

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

RAG-система: ШІ відповідає з ваших документів

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 пропонує 30 посібників ШІ по $5 кожен."),
    Document(page_content="Посібники охоплюють LangChain, n8n, інжиніринг промптів тощо."),
]

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

prompt = ChatPromptTemplate.from_template("""
Відповідайте на основі контексту: {context}
Запитання: {question}
""")

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

Розмова з пам'яттю

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="Привіт! Мене звуть Олексій."))
print(conversation.predict(input="Пам'ятаєте моє ім'я?"))
# → "Так, вас звуть Олексій!"

Основні компоненти LangChain

Практичний проєкт: бот підтримки клієнтів

faq_documents = [
    Document(page_content="Повернення товарів приймаються протягом 30 днів з дати покупки."),
    Document(page_content="Безкоштовна доставка при замовленнях від 500 грн."),
    Document(page_content="Служба підтримки працює у будні з 9 до 18 години."),
]

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

support_prompt = ChatPromptTemplate.from_template("""
Ви ввічливий агент служби підтримки клієнтів.
Відповідайте на основі цієї інформації з FAQ:
{context}

Запитання клієнта: {question}
""")

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

print(chain.invoke("Чи можу я повернути товар?").content)

Хочете вивчити LangChain від основ до рівня досвідченого? Повний посібник LearnGeni містить реальні проєкти. Переглянути всі посібники.