Architecture de LangChain : modèles, prompts et chaînes
Les trois briques fondamentales : ChatModels, PromptTemplates et les chaînes qui les composent.
Architecture de LangChain : modèles, prompts et chaînes est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Pourquoi LangChain ?
LangChain est le framework Python le plus populaire pour créer des applications LLM. Il fournit :
- Des adaptateurs pour tous les principaux fournisseurs de LLM
- Des chargeurs et des analyseurs pour de nombreuses sources de données
- Des primitives de mémoire, d’agents et de chaînes
- Des intégrations avec des magasins vectoriels
Ses détracteurs le jugent trop lourd ; ses partisans apprécient son étendue. Nous nous concentrons sur le cœur qui s’est stabilisé : LCEL.
Trois concepts fondamentaux
- Modèles — les LLM et ChatModels que vous appelez
- Prompts — des modèles qui produisent des messages
- Chaînes — des compositions qui enchaînent prompts → modèles → analyseurs
Modèles
Une interface unifiée entre les fournisseurs :
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)Modèles d’instructions
Instructions réutilisables avec des variables :
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())Chaînes : l’opérateur de canalisation
Combinez une invite, un modèle et un analyseur avec | :
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)Analyseurs de sortie
Convertissez la sortie brute du modèle en types Python :
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel
class Plan(BaseModel):
steps: list[str]
parser = PydanticOutputParser(pydantic_object=Plan)
chain = prompt | model | parserÉléments exécutables et protocole Runnable
Chaque élément de chaîne est un Runnable avec :
.invoke(input)— synchrone.ainvoke(input)— asynchrone.stream(input)— diffusion des jetons.batch(inputs)— lots parallèles
L’opérateur de canalisation les compose.
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.Configuration à l’exécution
Remplacez les paramètres du modèle pour chaque appel :
result = chain.invoke(
{'role': 'helpful', 'question': '...'},
config={'configurable': {'temperature': 0.0}}
)Hub LangChain
Récupérez des invites sélectionnées par la communauté :
from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')Quand ne pas utiliser LangChain
Pour des agents très simples (un appel de modèle et un outil), LangChain est excessivement complexe. Écrivez l’appel directement. Utilisez LangChain lorsque vous avez besoin de composition, de nouvelles tentatives, d’observabilité et d’intégrations testées.
Opérateur de chaîne
Que fait l’opérateur | dans LangChain ?
Récapitulatif
Modèles + invites + chaînes, reliés par |. Ensuite : les chargeurs et les magasins de vecteurs dans l’écosystème LangChain.
Apprends AI Agents avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 60
- Leçons
- 239
Questions Fréquemment Posées
La leçon « Architecture de LangChain : modèles, prompts et chaînes » est-elle gratuite ?
Oui — le texte complet de « Architecture de LangChain : modèles, prompts et chaînes » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Architecture de LangChain : modèles, prompts et chaînes » ?
Les trois briques fondamentales : ChatModels, PromptTemplates et les chaînes qui les composent. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Agents ?
Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Architecture de LangChain : modèles, prompts et chaînes » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?
Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Architecture de LangChain : modèles, prompts et chaînes
- Chargeurs, découpeurs et stockages vectoriels
- LCEL (langage d’expressions de LangChain)
- Construire une chaîne RAG de bout en bout