Architettura di LangChain: modelli, prompt e chain
I tre elementi fondamentali: ChatModels, PromptTemplates e chain che li compongono.
Architettura di LangChain: modelli, prompt e chain è una lezione AI Agents gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento AI Agents, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso AI Agents include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Perché LangChain?
LangChain è il framework Python più diffuso per creare app basate su LLM. Offre:
- Adapter per tutti i principali provider di LLM
- Loader e parser per numerose fonti di dati
- Primitive per memoria, agenti e chain
- Integrazioni con vector store
I critici lo considerano sovraccarico; i sostenitori ne apprezzano l'ampiezza. Ci concentriamo sul nucleo che si è stabilizzato: LCEL.
Tre concetti fondamentali
- Modelli — LLM e ChatModel che si chiamano
- Prompt — template che producono messaggi
- Chain — composizioni che concatenano prompt -> modelli -> parser
Modelli
Un'interfaccia unificata tra i provider:
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)Modelli di prompt
Prompt riutilizzabili con variabili:
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())Chain: l'operatore pipe
Combini un prompt, un modello e un parser con |:
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)Parser dell'output
Convertono l'output grezzo del modello in tipi 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 | parserRunnable e protocollo Runnable
Ogni elemento della chain è un Runnable con:
.invoke(input)— sincrono.ainvoke(input)— asincrono.stream(input)— streaming dei token.batch(inputs)— batch paralleli
L'operatore pipe li compone.
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.Configurazione a runtime
Sovrascrivi i parametri del modello per ogni chiamata:
result = chain.invoke(
{'role': 'helpful', 'question': '...'},
config={'configurable': {'temperature': 0.0}}
)LangChain Hub
Recupera prompt selezionati dalla community:
from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')Quando NON usare LangChain
Per agenti molto semplici (una chiamata al modello e uno strumento), LangChain è sovradimensionato. Scrivi direttamente la chiamata. Usa LangChain quando ti servono componibilità, retry, osservabilità e integrazioni testate.
Operatore di chain
Che cosa fa l'operatore | in LangChain?
Riepilogo
Modelli + prompt + chain, collegati da |. Prossimo argomento: loader e vector store nell'ecosistema LangChain.
Impara AI Agents con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 60
- Lezioni
- 239
Domande Frequenti
La lezione «Architettura di LangChain: modelli, prompt e chain» è gratuita?
Sì — il testo completo di «Architettura di LangChain: modelli, prompt e chain» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso AI Agents, passa a CoddyKit PRO. Il corso AI Agents include 4 lezioni in totale.
Cosa imparerò in «Architettura di LangChain: modelli, prompt e chain»?
I tre elementi fondamentali: ChatModels, PromptTemplates e chain che li compongono. Eserciti AI Agents con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare AI Agents?
Non è richiesta alcuna esperienza precedente. AI Agents su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Architettura di LangChain: modelli, prompt e chain»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione AI Agents?
Sì. Ogni lezione AI Agents include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Architettura di LangChain: modelli, prompt e chain
- Loader, splitter e vector store
- LCEL (LangChain Expression Language)
- Creare una chain RAG dall'inizio alla fine