LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut
Tutustukaa kolmeen rakennuspalikkaan: ChatModels, PromptTemplates ja niitä yhdistelevät ketjut.
LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut on ilmainen Tekoälyagentit-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Tekoälyagentit-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Tekoälyagentit-kurssilla on yhteensä 4 oppituntia.
Osaa tämän oppitunnin sisällöstä ei ole vielä käännetty, joten se näytetään englanniksi.
Miksi LangChain?
LangChain on suosituin Python-kehys LLM-sovellusten rakentamiseen. Se tarjoaa:
- Sovittimet kaikille merkittäville LLM-palveluntarjoajille
- Lataajat ja jäsentimet monille tietolähteille
- Muistin, agenttien ja ketjujen perusrakenteet
- Integraatiot vektorivarastoihin
Kriitikot kutsuvat sitä paisuneeksi, kun taas kannattajat arvostavat sen laajuutta. Keskitymme vakiintuneeseen ytimeen: LCEL:iin.
Kolme keskeistä käsitettä
- Mallit — kutsumasi LLM:t ja ChatModels-mallit
- Promptit — mallipohjat, jotka tuottavat viestejä
- Ketjut — koostumukset, jotka putkittavat promptit -> mallit -> jäsentimet
Mallit
Yhtenäinen rajapinta palveluntarjoajasta riippumatta:
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
openai_model = ChatOpenAI(model='gpt-4o-mini', temperature=0.2)
claude_model = ChatAnthropic(model='claude-sonnet-4-5')
resp = openai_model.invoke('Hello!')
print(resp.content)Kehotemallit
Uudelleenkäytettävät kehotteet muuttujineen:
from langchain.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
('system', 'You are a {role} assistant.'),
('user', '{question}')
])
messages = prompt.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(messages.to_messages())Ketjut: putkioperaattori
Yhdistäkää kehote, malli ja jäsennin operaattorilla |:
from langchain.schema.output_parser import StrOutputParser
chain = prompt | openai_model | StrOutputParser()
result = chain.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(result)Tulosteen jäsentimet
Muunna mallin raakatuotos Python-tyypeiksi:
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel
class Plan(BaseModel):
steps: list[str]
parser = PydanticOutputParser(pydantic_object=Plan)
chain = prompt | model | parserRunnable-oliot ja Runnable-protokolla
Jokainen ketjun osa on Runnable, jolla on:
.invoke(input)— synkroninen suoritus.ainvoke(input)— asynkroninen suoritus.stream(input)— tokenien suoratoisto.batch(inputs)— rinnakkaiset erät
Putkioperaattori yhdistää ne.
Streaming
for chunk in chain.stream({'role': 'helpful', 'question': 'Tell a story.'}):
print(chunk, end='', flush=True)Batch
results = chain.batch([
{'role': 'SQL', 'question': 'Q1'},
{'role': 'SQL', 'question': 'Q2'}
])
# Runs in parallel.Ajon aikainen konfigurointi
Ohita mallin parametrit kutsukohtaisesti:
result = chain.invoke(
{'role': 'helpful', 'question': '...'},
config={'configurable': {'temperature': 0.0}}
)LangChain Hub
Hae yhteisön kuratoimia kehotteita:
from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')Milloin LangChainia EI pidä käyttää
Hyvin yksinkertaisille agenteille, joissa on yksi mallikutsu ja yksi työkalu, LangChain on ylimitoitettu. Kirjoittakaa kutsu suoraan. Käyttäkää LangChainia, kun tarvitsette yhdisteltävyyttä, uudelleenyrityksiä, observability-ominaisuuksia ja testattuja integraatioita.
Ketjuoperaattori
Mitä |-operaattori tekee LangChainissa?
Kertaus
Mallit + kehotteet + ketjut, yhdistettynä operaattorilla |. Seuraavaksi: lataajat ja vektorivarastot LangChain-ekosysteemissä.
Opi Tekoälyagentit tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 60
- Oppitunnit
- 239
Usein kysytyt kysymykset
Onko oppitunti ”LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut” ilmainen?
Kyllä – oppitunnin ”LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Tekoälyagentit-kurssin, päivitä CoddyKit PROhon. Tekoälyagentit-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut”?
Tutustukaa kolmeen rakennuspalikkaan: ChatModels, PromptTemplates ja niitä yhdistelevät ketjut. Harjoittelet Tekoälyagentit-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Tekoälyagentit-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Tekoälyagentit-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.
Kuinka kauan ”LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Tekoälyagentit-oppitunnilla?
Kyllä. Jokainen Tekoälyagentit-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- LangChain-arkkitehtuuri: mallit, kehotteet ja ketjut
- Lataajat, jakajat ja vektorivarastot
- LCEL (LangChain Expression Language)
- RAG-ketjun rakentaminen alusta loppuun