0Pricing
LangChain / RAG / Vector DBs · Pelajaran

Menyiapkan Lingkungan LangChain

Konfigurasikan lingkungan pengembangan dan pasang pustaka yang diperlukan untuk mulai membangun dengan LangChain serta mengintegrasikannya dengan LLM.

Menyiapkan Lingkungan LangChain adalah pelajaran LangChain / RAG / Vector DBs 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 LangChain / RAG / Vector DBs, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus LangChain / RAG / Vector DBs mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

Welcome to LangChain Setup

Welcome to the exciting world of LangChain! This powerful framework helps you build applications powered by large language models (LLMs).

In this lesson, we'll get your development environment ready. Think of it as preparing your workbench before starting a new project.

Why Virtual Environments?

Before installing anything, it's a best practice to use a virtual environment. This keeps your project's dependencies separate from other Python projects on your computer.

  • Avoids conflicts between different project versions.
  • Makes your project easily shareable and reproducible.
  • Keeps your global Python installation clean.

Create a Virtual Environment

You can create a virtual environment using Python's built-in venv module. Choose a descriptive name, like langchain_env.

Run this command in your terminal:

python -m venv langchain_env

Activate Your Environment

After creating it, you need to activate your virtual environment. This tells your system to use the Python and packages from this specific environment.

The command depends on your operating system:

  • macOS/Linux: source langchain_env/bin/activate
  • Windows: .\langchain_env\Scripts\activate

Install LangChain Core

Now that your environment is active, let's install the core LangChain library. This package provides the fundamental building blocks for working with LLMs.

Use pip, the Python package installer, to get LangChain:

pip install langchain

Install an LLM Provider

LangChain acts as an interface to various LLM providers (like OpenAI, Google, Anthropic). You'll need to install the specific library for the provider you want to use.

For this course, we'll often use OpenAI as an example. Install its Python client:

pip install openai

Handle API Keys Securely

To interact with LLM providers, you'll need an API key. Never hardcode API keys directly in your code!

The safest way is to set them as environment variables. For OpenAI, you'd typically set OPENAI_API_KEY:

  • macOS/Linux: export OPENAI_API_KEY="your_key_here"
  • Windows (PowerShell): $env:OPENAI_API_KEY="your_key_here"

Replace your_key_here with your actual key.

Verify Your Setup

Let's run a quick Python script to ensure LangChain is installed and importable. This doesn't call an LLM yet, just checks the setup.

Try running this example:

from langchain_core.prompts import ChatPromptTemplate

print("LangChain Core imported successfully!")
print("Your environment is ready!")

What's Next in LangChain?

Great job! Your LangChain environment is now set up. You've installed the necessary libraries and verified the core components.

In the next lesson, we'll dive deeper into how to actually use LangChain to interact with LLMs, focusing on prompts and basic chains.

Environment Setup Quiz

Which of the following are good practices when setting up a new LangChain project environment?

Recap: Your LangChain Start

You've successfully set up your first LangChain development environment!

  • We learned the importance of virtual environments.
  • You created and activated a dedicated environment.
  • You installed the LangChain library and an LLM provider.
  • You understood how to handle API keys securely.
  • You verified your setup with a simple Python script.

You're now ready to start building amazing LLM applications!

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Menyiapkan Lingkungan LangChain” gratis?

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

Apa yang akan aku pelajari di “Menyiapkan Lingkungan LangChain”?

Konfigurasikan lingkungan pengembangan dan pasang pustaka yang diperlukan untuk mulai membangun dengan LangChain serta mengintegrasikannya dengan LLM. Kamu berlatih LangChain / RAG / Vector DBs 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 LangChain / RAG / Vector DBs?

Tidak diperlukan pengalaman sebelumnya. LangChain / RAG / Vector DBs 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 “Menyiapkan Lingkungan LangChain” 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 LangChain / RAG / Vector DBs ini?

Ya. Setiap pelajaran LangChain / RAG / Vector DBs 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. Menyiapkan Lingkungan LangChain
  2. Prompt, LLM, dan Rantai Dasar
  3. Pengurai Keluaran dan Callback
  4. Memori dan Konteks Percakapan dalam LangChain
← Kembali ke LangChain / RAG / Vector DBs