Kurs Python · Moduł 10: AI i modele językowe
LangChain - łańcuch, który spina wszystko
W tej lekcji5
Umiesz już wywołać model i napisać dobry prompt. Ale prawdziwa aplikacja to coś więcej: pobierz szablon, wyślij do modelu, sparsuj odpowiedź, zapamiętaj rozmowę. LangChain spina te kroki w jedno - a robi to jednym, zaskakująco prostym pomysłem, który poznasz na początku.
pip install langchain langchain-openai langchain-anthropicKlocek: model
Zacznijmy od najmniejszego klocka - samego modelu. W LangChain każdy dostawca (OpenAI, Anthropic) ma tę samą metodę invoke, więc zmiana modelu to zmiana jednej linii.
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
llm = ChatOpenAI(model="gpt-5", temperature=0.7)
messages = [
SystemMessage(content="Jesteś ekspertem od Safari."),
HumanMessage(content="Opowiedz o słoniach.")
]
print(llm.invoke(messages).content)Zwróć uwagę na invoke - to wspólne "uruchom" dla wszystkich klocków LangChaina. Za chwilę zobaczysz, że tak samo uruchamia się pojedynczy model, jak i cały złożony łańcuch. Ta jednolitość to fundament biblioteki.
Klocek: szablon promptu
Drugi klocek to szablon z lukami - Twój prompt z poprzedniej lekcji, ale wielokrotnego użytku. Zamiast sklejać napisy, wpisujesz {zmienne}.
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "Jesteś ekspertem od {dziedzina}."),
("human", "Opowiedz o {temat}.")
])Luki {dziedzina} i {temat} wypełnisz dopiero przy uruchomieniu. Dzięki temu jeden szablon obsłuży setki pytań - a jako klocek LangChaina też ma invoke i da się połączyć z modelem. I tu wchodzi główny pomysł całej biblioteki.
Wielki pomysł: operator | (pipe)
Oto serce LangChaina. Klocki łączysz operatorem |, dokładnie jak rurę: wynik jednego wpływa do następnego. prompt | llm | parser czyta się "wypełnij prompt, wyślij do modelu, przerób odpowiedź".
from langchain_core.output_parsers import StrOutputParser
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"dziedzina": "Safari", "temat": "lwy"})
print(result)To ten sam invoke, co przy pojedynczym modelu - ale teraz uruchamia cały łańcuch naraz. Dane wpływają jako słownik z lukami, przechodzą przez szablon, model i parser, a wypływają jako gotowy tekst. StrOutputParser na końcu wyciąga sam tekst z odpowiedzi, żebyś nie pisał .content. Zapamiętaj ten wzór prompt | llm | parser - to on wraca w każdym kolejnym przykładzie.
Ten sam łańcuch, mocniejszy parser: wynik jako obiekt
Skoro parser to ostatni klocek rury, wystarczy go wymienić, by dostać nie tekst, lecz gotowy obiekt. Opisujesz oczekiwaną strukturę klasą, a LangChain dopilnuje formatu.
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.output_parsers import JsonOutputParser
class AnimalInfo(BaseModel):
name: str = Field(description="Nazwa zwierzęcia")
habitat: str = Field(description="Siedlisko")
population: int = Field(description="Populacja")
parser = JsonOutputParser(pydantic_object=AnimalInfo)
prompt = ChatPromptTemplate.from_messages([
("human", "{format_instructions}\n\nZwierzę: {animal}")
])
chain = prompt | llm | parser
result = chain.invoke({
"animal": "Słoń afrykański",
"format_instructions": parser.get_format_instructions()
})
print(result) # {'name': 'Słoń afrykański', 'habitat': ..., 'population': ...}Wciąż ten sam łańcuch prompt | llm | parser - zmienił się tylko ostatni klocek. Klasa AnimalInfo opisuje pola, jakich oczekujesz, a get_format_instructions wstrzykuje do promptu automatyczną instrukcję "zwróć JSON w tym kształcie". Wynik to od razu słownik Pythona, gotowy do użycia w kodzie - żadnego parsowania ręcznie.
Dokładanie pamięci do łańcucha
Domyślnie model nie pamięta poprzednich wiadomości - każde invoke startuje od zera. Żeby prowadził rozmowę, owijasz łańcuch klockiem zapisującym historię.
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
history = ChatMessageHistory()
chain_with_history = RunnableWithMessageHistory(
chain,
lambda session_id: history,
input_messages_key="input",
history_messages_key="history"
)
chain_with_history.invoke(
{"input": "Jestem na Safari w Kenii"},
config={"configurable": {"session_id": "abc123"}}
)
response2 = chain_with_history.invoke(
{"input": "Jakie zwierzęta mogę tu zobaczyć?"},
config={"configurable": {"session_id": "abc123"}}
)RunnableWithMessageHistory owija istniejący łańcuch i przy każdej turze dokłada wcześniejsze wiadomości. Dzięki temu w drugim pytaniu model wie, że "tu" znaczy Kenia - choć nie powtórzyłeś tego. session_id rozdziela rozmowy różnych użytkowników, żeby ich historie się nie mieszały.
Pamiętaj z tej lekcji jeden znak: |. LangChain to klocki - prompt, model, parser, pamięć - sklejane w rurę tym samym operatorem i uruchamiane tym samym invoke. Gdy to widzisz, każdy nowy element jest tylko kolejnym klockiem do dorzucenia.
Hasła z dokumentacji w tej lekcji
Widzisz błąd w tej lekcji?
Sprawdź się
Odpowiedz na pytania z tej lekcji. Wybierz odpowiedź, a od razu zobaczysz, czy jest poprawna.
1. Czym jest LangChain?
2. Czym jest LCEL (LangChain Expression Language)?
Zadania praktyczne w grze
- Układanie w poziomie
Ułóż import ChatOpenAI z LangChain:
- Edytor kodu
Połącz PromptTemplate, LLM i OutputParser używając operatora |.
- Klikanie w kolejności
Kliknij w przyciski, aby stworzyć chain LCEL: