Architektura LangChain: modele, prompty, łańcuchy
Poznaj trzy elementy składowe: ChatModels, PromptTemplates i łańcuchy, które je łączą.
Architektura LangChain: modele, prompty, łańcuchy to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Dlaczego LangChain?
LangChain to najpopularniejszy framework Pythona do tworzenia aplikacji LLM. Zapewnia:
- Adaptery dla wszystkich głównych dostawców LLM
- Loadery i parsery dla wielu źródeł danych
- Prymitywy pamięci, agentów i łańcuchów
- Integracje z magazynami wektorowymi
Krytycy uważają go za nadmiernie rozbudowany, a zwolennicy cenią jego szeroki zakres. Skupiamy się na ustabilizowanym rdzeniu: LCEL.
Trzy podstawowe pojęcia
- Modele — wywoływane przez Państwa LLM i ChatModels
- Prompty — szablony tworzące wiadomości
- Łańcuchy — kompozycje łączące prompty -> modele -> parsery
Modele
Ujednolicony interfejs działający z różnymi dostawcami:
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)Szablony promptów
Wielokrotnego użytku prompty ze zmiennymi:
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())Łańcuchy: operator potoku
Połącz prompt, model i parser za pomocą |:
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)Parsery wyników
Konwertuj surowy wynik modelu na typy języka 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 i protokół Runnable
Każdy element łańcucha jest obiektem Runnable udostępniającym:
.invoke(input)— wykonanie synchroniczne.ainvoke(input)— wykonanie asynchroniczne.stream(input)— strumieniowanie tokenów.batch(inputs)— równoległe przetwarzanie wsadowe
Operator potoku łączy je ze sobą.
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.Konfiguracja w czasie wykonywania
Przesłoń parametry modelu dla poszczególnych wywołań:
result = chain.invoke(
{'role': 'helpful', 'question': '...'},
config={'configurable': {'temperature': 0.0}}
)LangChain Hub
Pobieraj prompty wybrane przez społeczność:
from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')Kiedy NIE używać LangChain
W przypadku bardzo prostych agentów (jedno wywołanie modelu i jedno narzędzie) LangChain jest rozwiązaniem zbyt rozbudowanym. Wywołanie należy napisać bezpośrednio. Z LangChain warto korzystać, gdy potrzebne są możliwość komponowania, ponawianie prób, obserwowalność i przetestowane integracje.
Operator łańcucha
Co robi operator | w LangChain?
Podsumowanie
Modele + prompty + łańcuchy połączone za pomocą |. Dalej: loadery i magazyny wektorowe w ekosystemie LangChain.
Ucz się AI Agents dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 60
- Lekcje
- 239
Często zadawane pytania
Czy lekcja „Architektura LangChain: modele, prompty, łańcuchy” jest bezpłatna?
Tak — pełny tekst „Architektura LangChain: modele, prompty, łańcuchy” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.
Co nauczysz się w „Architektura LangChain: modele, prompty, łańcuchy”?
Poznaj trzy elementy składowe: ChatModels, PromptTemplates i łańcuchy, które je łączą. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Agents?
Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Architektura LangChain: modele, prompty, łańcuchy”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?
Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Architektura LangChain: modele, prompty, łańcuchy
- Loadery, splittery i magazyny wektorowe
- LCEL (LangChain Expression Language)
- Budowanie łańcucha RAG od początku do końca