0Pricing
AI Agents · Aula

Arquitetura do LangChain: modelos, prompts, cadeias

Os três blocos fundamentais: ChatModels, PromptTemplates e cadeias que os combinam.

Arquitetura do LangChain: modelos, prompts, cadeias é uma aula grátis de AI Agents no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.

Partes desta aula ainda não foram traduzidas e aparecem em inglês.

Por que LangChain?

LangChain é a estrutura Python mais popular para criar aplicativos com LLM. Ela oferece:

  • Adaptadores para todos os principais provedores de LLM
  • Carregadores e analisadores para muitas fontes de dados
  • Primitivas de memória, agentes e cadeias
  • Integrações com armazenamentos vetoriais

Os críticos consideram-na inchada; os defensores adoram sua abrangência. Vamos nos concentrar no núcleo que se estabilizou: LCEL.

Três conceitos centrais

  1. Modelos — LLMs e ChatModels que você chama
  2. Instruções — modelos que produzem mensagens
  3. Cadeias — composições que encaminham instruções → modelos → analisadores

Modelos

Uma interface unificada entre provedores:

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)

Modelos de instruções

Instruções reutilizáveis com variáveis:

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())

Cadeias: o operador de canalização

Combine uma instrução, um modelo e um analisador com |:

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)

Analisadores de saída

Converta a saída bruta do modelo em tipos 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 | parser

Executáveis e o protocolo Runnable

Cada elemento da cadeia é um Runnable com:

  • .invoke(input) — síncrono
  • .ainvoke(input) — assíncrono
  • .stream(input) — transmissão de tokens
  • .batch(inputs) — lotes paralelos

O operador de canalização os compõe.

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.

Configuração em tempo de execução

Substitua os parâmetros do modelo por chamada:

result = chain.invoke(
    {'role': 'helpful', 'question': '...'},
    config={'configurable': {'temperature': 0.0}}
)

Hub do LangChain

Obtenha instruções selecionadas pela comunidade:

from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')

Quando NÃO usar LangChain

Para agentes muito simples (uma chamada de modelo e uma ferramenta), LangChain é complexo demais. Escreva a chamada diretamente. Use LangChain quando precisar de composição, novas tentativas, observabilidade e integrações testadas.

Operador de cadeia

O que o operador | faz no LangChain?

Recapitulação

Modelos + Instruções + Cadeias, conectados por |. A seguir: carregadores e armazenamentos vetoriais no ecossistema LangChain.

Perguntas Frequentes

A aula “Arquitetura do LangChain: modelos, prompts, cadeias” é grátis?

Sim — o texto completo de “Arquitetura do LangChain: modelos, prompts, cadeias” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.

O que vou aprender em “Arquitetura do LangChain: modelos, prompts, cadeias”?

Os três blocos fundamentais: ChatModels, PromptTemplates e cadeias que os combinam. Você pratica AI Agents com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar AI Agents?

Nenhuma experiência prévia é necessária. AI Agents no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.

Quanto tempo leva a aula “Arquitetura do LangChain: modelos, prompts, cadeias”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de AI Agents?

Sim. Cada aula de AI Agents inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

  1. Arquitetura do LangChain: modelos, prompts, cadeias
  2. Carregadores, divisores e armazenamentos vetoriais
  3. LCEL (linguagem de expressões do LangChain)
  4. Construindo uma cadeia RAG de ponta a ponta
← Voltar para AI Agents