Arquitetura do LangChain e LCEL
Componentes do LangChain, sintaxe de pipe do LCEL, cadeias, interfaces executáveis e cadeias com transmissão.
Arquitetura do LangChain e LCEL é uma aula grátis de Learn AI with Python 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 Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.
O que é LangChain?
LangChain é uma estrutura para criar aplicações com LLM combinando componentes reutilizáveis: instruções, modelos, analisadores, recuperadores e memória. Em vez de conectar manualmente chamadas de API, você cria cadeias que passam dados de um componente para o próximo.
pip install langchain langchain-openaiOs principais componentes básicos
Três componentes aparecem em quase toda cadeia: um PromptTemplate (formata a entrada em uma instrução), um modelo de conversa (o LLM) e um analisador de saída (limpa o resultado). O LangChain os conecta em um fluxo.
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParserCriando um modelo de instrução
Um modelo de instrução contém espaços reservados preenchidos durante a execução. Use a sintaxe {variable}. Quando você executa a cadeia com um dicionário, essas chaves são substituídas.
prompt = ChatPromptTemplate.from_template(
"Explain {topic} to a {audience} in two sentences."
)LCEL: a sintaxe de pipe
LCEL (Linguagem de Expressões do LangChain) combina componentes com o operador de pipe |. A saída de cada etapa flui para a próxima, da esquerda para a direita, como em um fluxo do Unix.
model = ChatOpenAI(model="gpt-4o")
chain = prompt | model | StrOutputParser()Por que usar StrOutputParser?
Um modelo de conversa retorna um objeto de mensagem, não uma cadeia de caracteres simples. StrOutputParser() extrai o texto .content para que a cadeia produza uma cadeia de caracteres limpa. Sem ele, você receberia uma mensagem estruturada.
Executando a cadeia
Execute a cadeia com chain.invoke(), passando um dicionário que preenche as variáveis do modelo. O resultado é a saída em texto analisada.
result = chain.invoke({"topic": "vectors", "audience": "beginner"})
print(result)Transmitindo uma cadeia
Para obter saída em tempo real, chame chain.stream() em vez de invoke. Ele retorna um gerador que produz partes da saída à medida que o modelo as gera, assim como a transmissão direta pela API.
for chunk in chain.stream({"topic": "RAG", "audience": "engineer"}):
print(chunk, end="", flush=True)Processando várias entradas em lote
Processe muitas entradas com eficiência usando chain.batch(). Passe uma lista de dicionários de entrada, e o LangChain os executará simultaneamente, retornando uma lista de resultados na mesma ordem.
inputs = [
{"topic": "loops", "audience": "kid"},
{"topic": "recursion", "audience": "kid"}
]
results = chain.batch(inputs)RunnablePassthrough
RunnablePassthrough encaminha sua entrada sem alterações. Ele é essencial quando uma cadeia precisa manter a entrada original junto a um valor transformado, algo comum no RAG, em que você passa tanto a pergunta quanto o contexto recuperado.
from langchain_core.runnables import RunnablePassthrough
chain = (
{"context": retriever, "question": RunnablePassthrough()}
| prompt | model | StrOutputParser()
)Compondo com dicionários
Quando uma etapa é um dicionário, cada valor é processado em paralelo, e os resultados formam a entrada da etapa seguinte. Isso cria as instruções com várias entradas que alimentam os fluxos de recuperação, associando cada chave a um componente executável ou a um encaminhamento direto.
parallel = {
"context": retriever,
"question": RunnablePassthrough()
}
# parallel feeds {"context": ..., "question": ...} downstreamPor que LCEL é importante
As cadeias LCEL oferecem transmissão, processamento em lote e execução assíncrona sem configuração adicional, são fáceis de ler e se encaixam como peças de Lego. A mesma sintaxe de pipe escala de uma instrução de uma linha a um sistema RAG completo.
Verificação rápida
Teste seu conhecimento sobre LCEL.
Recapitulação: arquitetura e LCEL
Você combinou componentes do LangChain com o operador de pipe: prompt | model | StrOutputParser(). Você executou cadeias com invoke, transmitiu resultados com stream e processou muitas entradas com batch. RunnablePassthrough e a composição de dicionários permitem criar fluxos com várias entradas para RAG.
Perguntas Frequentes
A aula “Arquitetura do LangChain e LCEL” é grátis?
Sim — o texto completo de “Arquitetura do LangChain e LCEL” 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 Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.
O que vou aprender em “Arquitetura do LangChain e LCEL”?
Componentes do LangChain, sintaxe de pipe do LCEL, cadeias, interfaces executáveis e cadeias com transmissão. Você pratica Learn AI with Python 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 Learn AI with Python?
Nenhuma experiência prévia é necessária. Learn AI with Python 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 e LCEL”?
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 Learn AI with Python?
Sim. Cada aula de Learn AI with Python 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
- Arquitetura do LangChain e LCEL
- Carregamento, divisão e embedding de documentos
- Armazenamentos vetoriais: Chroma e FAISS
- Construção de um sistema de perguntas e respostas com RAG de ponta a ponta