0Pricing
Learn AI with Python · Pelajaran

Arsitektur LangChain dan LCEL

Komponen LangChain, sintaks pipa LCEL, rantai, antarmuka yang dapat dijalankan, rantai streaming.

Arsitektur LangChain dan LCEL adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa Itu LangChain?

LangChain adalah kerangka kerja untuk membangun aplikasi LLM dengan merangkai bagian-bagian yang dapat digunakan kembali: instruksi, model, pengurai, pengambil, dan memori. Alih-alih merangkai panggilan API secara manual, Anda membangun rantai yang meneruskan data dari satu komponen ke komponen berikutnya.

pip install langchain langchain-openai

Blok Bangunan Inti

Tiga komponen muncul di hampir setiap rantai: PromptTemplate (memformat masukan menjadi instruksi), model percakapan (LLM), dan pengurai keluaran (membersihkan hasil). LangChain menghubungkannya menjadi sebuah alur kerja.

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

Membangun Templat Instruksi

Templat instruksi menyimpan ruang pengganti yang diisi saat program dijalankan. Gunakan sintaks {variable}. Saat Anda menjalankan rantai dengan sebuah kamus, kunci-kunci tersebut akan menggantikannya.

prompt = ChatPromptTemplate.from_template(
    "Explain {topic} to a {audience} in two sentences."
)

LCEL: Sintaks Pipa

LCEL (Bahasa Ekspresi LangChain) merangkai komponen dengan operator pipa |. Keluaran dari setiap langkah mengalir ke langkah berikutnya, dibaca dari kiri ke kanan seperti alur kerja Unix.

model = ChatOpenAI(model="gpt-4o")

chain = prompt | model | StrOutputParser()

Mengapa StrOutputParser?

Model percakapan mengembalikan objek pesan, bukan string biasa. StrOutputParser() mengekstrak teks .content sehingga rantai menghasilkan string yang bersih. Tanpanya, Anda akan menerima pesan terstruktur.

Menjalankan Rantai

Jalankan rantai dengan chain.invoke(), dengan meneruskan kamus yang mengisi variabel-variabel templat. Hasilnya adalah keluaran string yang telah diuraikan.

result = chain.invoke({"topic": "vectors", "audience": "beginner"})
print(result)

Mengalirkan Keluaran Rantai

Untuk keluaran waktu nyata, panggil chain.stream(), bukan invoke. Fungsi ini mengembalikan pembangkit yang menghasilkan potongan keluaran saat model membuatnya, seperti pengaliran API mentah.

for chunk in chain.stream({"topic": "RAG", "audience": "engineer"}):
    print(chunk, end="", flush=True)

Memproses Banyak Masukan secara Berkelompok

Proses banyak masukan secara efisien dengan chain.batch(). Teruskan daftar kamus masukan, lalu LangChain menjalankannya secara bersamaan dan mengembalikan daftar hasil dalam urutan yang sama.

inputs = [
    {"topic": "loops", "audience": "kid"},
    {"topic": "recursion", "audience": "kid"}
]
results = chain.batch(inputs)

RunnablePassthrough

RunnablePassthrough meneruskan masukannya tanpa perubahan. Komponen ini penting ketika rantai harus mempertahankan masukan asli bersama nilai yang telah diubah, seperti pada RAG ketika Anda meneruskan pertanyaan dan konteks yang diambil.

from langchain_core.runnables import RunnablePassthrough

chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt | model | StrOutputParser()
)

Merangkai dengan Kamus

Ketika sebuah langkah berupa kamus, setiap nilai dijalankan secara bersamaan dan hasilnya menjadi masukan untuk langkah berikutnya. Dengan cara ini, Anda dapat membangun instruksi dengan banyak masukan yang mendukung alur kerja pengambilan, dengan memetakan setiap kunci ke komponen yang dapat dijalankan atau penerusan langsung.

parallel = {
    "context": retriever,
    "question": RunnablePassthrough()
}
# parallel feeds {"context": ..., "question": ...} downstream

Mengapa LCEL Penting

Rantai LCEL memperoleh pengaliran, pemrosesan berkelompok, dan operasi asinkron tanpa konfigurasi tambahan, mudah dibaca, dan dapat dirangkai seperti kepingan Lego. Sintaks pipa yang sama dapat diperluas dari instruksi satu baris hingga sistem RAG lengkap.

Pemeriksaan Singkat

Uji pemahaman Anda tentang LCEL.

Ringkasan: Arsitektur dan LCEL

Anda merangkai komponen LangChain dengan operator pipa: prompt | model | StrOutputParser(). Anda menjalankan rantai dengan invoke, mengalirkan keluaran dengan stream, dan memproses banyak masukan dengan batch. RunnablePassthrough dan perangkaian kamus memungkinkan Anda membangun alur kerja dengan banyak masukan untuk RAG.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Arsitektur LangChain dan LCEL” gratis?

Ya — teks lengkap “Arsitektur LangChain dan LCEL” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Arsitektur LangChain dan LCEL”?

Komponen LangChain, sintaks pipa LCEL, rantai, antarmuka yang dapat dijalankan, rantai streaming. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Arsitektur LangChain dan LCEL” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Arsitektur LangChain dan LCEL
  2. Memuat, Membagi, dan Membuat Embedding Dokumen
  3. Penyimpanan Vektor: Chroma dan FAISS
  4. Membangun Sistem Tanya Jawab RAG dari Awal hingga Akhir
← Kembali ke Learn AI with Python