LangChain: что это и как им пользоваться на практике
LangChain это библиотека для Python и JavaScript, на которой собирают приложения поверх больших языковых моделей: чат-ботов, агентов и поиск по документам. Она даёт единый интерфейс к разным моделям, готовый цикл агента и сотни интеграций. Если твоя задача сводится к одному запросу к одной модели, LangChain не нужен: хватит обычного SDK.
Код ниже сверен с официальной документацией и прогнан на langchain 1.4.9 (ноябрь 2026) с локальной заглушкой вместо платного API. Версия важна: многие туториалы в сети написаны под старые релизы и уже не работают, про это отдельный раздел.
Если термины LLM, токен и контекст пока незнакомы, сначала прочитай статью что такое LLM.
Когда LangChain нужен, а когда нет
| Ситуация | Что взять |
|---|---|
| Один запрос к одной модели, простая логика | SDK провайдера |
| Нужен агент с инструментами, надо быстро | LangChain |
| Надо переключаться между провайдерами моделей | LangChain |
| Быстрый прототип RAG | LangChain |
| Сложный процесс с ветками, возвратами, подтверждением человека | LangGraph |
| Ты только учишься, как работает LLM | Сначала чистый API и свой код |
| Нужен полный контроль над каждым запросом и минимум зависимостей | Свой код |
Последняя строка не шутка. Абстракция экономит время, пока всё работает, и мешает, когда надо понять, что именно ушло в модель. Поэтому порядок такой: сначала один раз напиши RAG руками, потом бери библиотеку. Иначе на собесе поплывёшь на первом «а что там происходит внутри».
Основные части LangChain
| Часть | Зачем | Откуда импорт |
|---|---|---|
| Чат-модели | Единый интерфейс к разным провайдерам | langchain.chat_models |
| Сообщения | Системное, пользовательское, ответ модели, ответ инструмента | langchain.messages |
| Инструменты | Функции, которые модель может вызвать | langchain.tools |
| Агенты | Цикл «модель, инструмент, снова модель» | langchain.agents |
| Middleware | Перехват шагов агента: сокращение истории, подтверждение человеком | langchain.agents.middleware |
| Сплиттеры | Нарезка документов на куски | langchain_text_splitters |
| Векторные хранилища | Поиск кусков по смыслу | langchain_core.vectorstores и пакеты интеграций |
Вокруг основного пакета есть ещё несколько:
langchain-coreэто базовые типы, от которых зависит всё остальное.langchain-openaiи похожие это пакеты конкретных провайдеров. Каждый ставится отдельно.langgraphэто низкоуровневый движок. Агенты LangChain построены поверх него.langchain-classicэто старый код: цепочки и прошлые агенты.- LangSmith это отдельный сервис для трассировки и оценки качества.
Установка
pip install -U langchain langchain-openai langchain-text-splitters numpy
export OPENAI_API_KEY="твой ключ"
Нужен Python 3.10 или новее. numpy в списке не случайно: без него InMemoryVectorStore из примера с RAG падает с ImportError при поиске.
Минимальный пример: вызов модели
from langchain.chat_models import init_chat_model
model = init_chat_model("openai:gpt-5.5")
response = model.invoke("Объясни, что такое токен, в двух предложениях")
print(response.text)
Модель задаётся строкой вида провайдер:имя_модели. Смена провайдера это смена строки и установка нужного пакета, остальной код не меняется. Имена моделей устаревают быстро, актуальные смотри у провайдера.
Если у тебя нет доступа к OpenAI, есть другие варианты:
from langchain.chat_models import init_chat_model
# Локальная модель через Ollama: нужен pip install langchain-ollama и запущенный Ollama
local_model = init_chat_model("gpt-oss:20b", model_provider="ollama")
# Любой сервер с OpenAI-совместимым API, например vLLM
own_server_model = init_chat_model(
model="MODEL_NAME",
model_provider="openai",
base_url="http://localhost:8000/v1",
api_key="ключ",
)
Для GigaChat есть отдельный пакет langchain-gigachat.
Минимальный агент с инструментом
Агент это LLM, которая может вызывать функции. Это одна из самых частых задач в вакансиях, и в LangChain она решается через create_agent:
from langchain.agents import create_agent
from langchain.tools import tool
@tool
def get_order_status(order_id: str) -> str:
"""Вернуть статус заказа по его номеру."""
fake_db = {"1001": "доставляется, придёт завтра"}
return fake_db.get(order_id, "заказ не найден")
agent = create_agent(
model="openai:gpt-5.5",
tools=[get_order_status],
system_prompt="Ты помощник службы поддержки. Отвечай коротко.",
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "Где мой заказ 1001?"}]}
)
print(result["messages"][-1].text)
Что здесь происходит:
- Из функции собирается описание инструмента: название, текст из докстринга и типы параметров. Модель видит только это, поэтому докстринг пиши понятный.
- Модель получает вопрос и список инструментов и отвечает: хочу вызвать
get_order_statusсorder_id="1001". Сама она ничего не запускает. - LangChain выполняет функцию и отправляет результат обратно модели.
- Модель пишет итоговый ответ.
В result["messages"] лежат все четыре шага: вопрос, запрос инструмента, результат инструмента и ответ. Смотри на этот список при отладке, там видно, что произошло.
Как добавить память
Сам агент между вызовами ничего не помнит. Память подключается через checkpointer, а thread_id разделяет диалоги разных пользователей:
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
agent = create_agent(
model="openai:gpt-5.5",
tools=[],
checkpointer=InMemorySaver(),
)
config = {"configurable": {"thread_id": "user-42"}}
agent.invoke({"messages": [{"role": "user", "content": "Меня зовут Аня"}]}, config)
result = agent.invoke({"messages": [{"role": "user", "content": "Как меня зовут?"}]}, config)
print(result["messages"][-1].text)
InMemorySaver хранит всё в памяти процесса, для настоящей работы берут базу данных, например Postgres.
RAG на LangChain
RAG (Retrieval-Augmented Generation) заставляет модель отвечать по твоим документам: поиск находит нужные куски, модель отвечает по ним. Вот вся схема в одном файле. Документы придуманы для примера:
from langchain.chat_models import init_chat_model
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
# 1. Документы. В жизни их читает загрузчик из PDF, вики или базы
docs = [
Document(
page_content=(
"Возврат товара возможен в течение 14 дней с момента покупки. "
"Для возврата нужен чек или номер заказа. "
"Деньги приходят на карту за 3–5 рабочих дней."
),
metadata={"source": "returns.md"},
),
Document(
page_content=(
"Доставка по Москве занимает 1–2 дня. "
"Доставка в регионы занимает до 7 дней."
),
metadata={"source": "delivery.md"},
),
]
# 2. Режем на куски
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_documents(docs)
# 3. Считаем эмбеддинги и кладём в векторное хранилище
embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vector_store = InMemoryVectorStore(embeddings)
vector_store.add_documents(chunks)
# 4. Ищем куски и отвечаем только по ним
model = init_chat_model("openai:gpt-5.5")
def answer(question: str) -> str:
found = vector_store.similarity_search(question, k=2)
context = "\n\n".join(
f"[{doc.metadata['source']}] {doc.page_content}" for doc in found
)
response = model.invoke(
[
{
"role": "system",
"content": (
"Отвечай только по контексту ниже и указывай источник. "
"Если ответа в контексте нет, так и скажи.\n\n"
f"Контекст:\n{context}"
),
},
{"role": "user", "content": question},
]
)
return response.text
print(answer("За сколько дней вернут деньги?"))
Разберём настройки:
chunk_size=500это максимум знаков в куске. Слишком большие куски размывают поиск и тратят контекст, слишком маленькие теряют смысл.chunk_overlap=50это наложение соседних кусков, чтобы фраза на границе не потерялась.k=2это сколько кусков отдаём модели. Для маленькой базы из примера достаточно, в реальной базе подбирай по метрикам.- Эмбеддинг превращает текст в вектор чисел, близкие по смыслу тексты оказываются рядом. Подробнее в статье про NLP.
Этот код всегда сначала ищет, потом отвечает, и это предсказуемо. Но на «привет» он тоже пойдёт искать.
RAG как агент
Второй вариант: поиск становится инструментом, и модель сама решает, когда его вызвать и с каким запросом.
from langchain.agents import create_agent
from langchain.tools import tool
@tool
def search_docs(query: str) -> str:
"""Найти в базе знаний куски документов по запросу."""
found = vector_store.similarity_search(query, k=2)
return "\n\n".join(
f"[{doc.metadata['source']}] {doc.page_content}" for doc in found
)
agent = create_agent(
model="openai:gpt-5.5",
tools=[search_docs],
system_prompt=(
"Ты отвечаешь по базе знаний компании. Перед ответом вызови search_docs. "
"Если в найденном ответа нет, так и скажи."
),
)
result = agent.invoke(
{"messages": [{"role": "user", "content": "Сколько идёт доставка в регионы?"}]}
)
print(result["messages"][-1].text)
| Простая схема | Агент | |
|---|---|---|
| Запросов к модели на вопрос | Один | Минимум два |
| Предсказуемость | Высокая | Ниже, модель решает сама |
| Сложные вопросы из нескольких частей | Плохо | Может искать несколько раз |
| Лучше для | Бота по регламентам | Ассистента с несколькими инструментами |
Что поменять для настоящей работы:
InMemoryVectorStoreживёт, пока работает процесс. Бери Qdrant, pgvector или другую векторную базу.- Добавь реранкер, модель, которая точнее отбирает лучшие куски после быстрого поиска.
- Собери набор вопросов с правильными ответами и меряй качество на каждой версии. «Вроде отвечает» не считается.
Почему старые туториалы по LangChain не работают
В версии 1 пакет сильно почистили, старый код уехал в langchain-classic. Мы проверили эти импорты на langchain 1.4.9, все левые варианты падают с ошибкой:
| Старый импорт | Что с ним теперь |
|---|---|
from langchain.chains import LLMChain |
langchain_classic.chains |
from langchain.agents import AgentExecutor |
langchain_classic.agents, в новом коде create_agent |
from langchain.agents import initialize_agent |
langchain_classic.agents, в новом коде create_agent |
from langchain.memory import ConversationBufferMemory |
langchain_classic.memory, в новом коде checkpointer |
from langchain.retrievers import MultiQueryRetriever |
langchain_classic.retrievers |
from langchain.text_splitter import ... |
langchain_text_splitters |
from langchain.prompts import ChatPromptTemplate |
langchain_core.prompts |
Для старого проекта работает pip install langchain-classic и замена импортов. Новый код лучше сразу писать на create_agent. Если нашёл в статье LLMChain или AgentExecutor, она устарела.
LangChain или LangGraph
Официальная документация (проверено в ноябре 2026) разводит их так. LangChain с create_agent подходит, чтобы быстро собрать настраиваемого агента. LangGraph это низкоуровневый движок для сложных сценариев, где жёстко заданные шаги сочетаются с решениями модели. Ещё есть Deep Agents, готовый агент посложнее, с подагентами и файловой системой, построенный поверх LangChain.
Практическое правило: начинай с create_agent. Переходи на LangGraph, когда появляется явный граф шагов: ветки, циклы, остановка на подтверждение человеком.
Частые ошибки
- Копировать код из туториала двухлетней давности и чинить его часами. Сверяй версию.
- Писать невнятный докстринг у инструмента. Модель решает, что вызвать, только по этому описанию.
- Не смотреть
result["messages"]и гадать, почему агент ответил странно. - Давать агенту инструмент, который меняет данные, без подтверждения. Для этого есть
HumanInTheLoopMiddleware. - Использовать агента там, где хватает одного запроса. Каждый лишний шаг это деньги и задержка.
- Не следить за размером истории. Она растёт, и каждый вопрос становится дороже.
Нужен ли LangChain для работы
В нашем срезе вакансий hh.ru с 25 сентября по 25 октября 2026 LangChain требуют 28% вакансий NLP/LLM, LangGraph 26%, и ещё примерно в 8% они идут плюсом. RAG требуют в 59%, AI-агентов в 76%. Вывод: сами концепции важнее конкретной библиотеки. Но строчка в резюме полезна, а агентов и RAG спросят в любом случае.
На собесах чаще проверяют понимание. Вот вопросы из реальных собесов в Ozon:
Что такое инструменты у LLM-агента? Функция с названием, описанием и схемой параметров. Покажи, как это видно в коде выше: модель получает описание, возвращает запрос на вызов, а код выполняет функцию.
Из каких компонентов состоит базовый RAG? Загрузка и нарезка, эмбеддинги, векторная база, поиск, при необходимости реранкер, затем LLM с промптом. Сильный ответ добавит, как ты мерил качество.
Что такое LLM-агент и из чего состоит? Модель, инструменты, системная инструкция и цикл вызовов, часто ещё память. Всё это есть в примере с create_agent.
Больше вопросов в статье вопросы на собеседовании DS и ML. Если готовишься к выходу на рынок и нужна помощь с проектами, резюме и собесами, посмотри как мы помогаем найти работу в ML.
Частые вопросы
Что такое LangChain простыми словами?
Это библиотека с готовыми деталями для приложений на LLM: подключение к моделям, инструменты, агенты, работа с документами. Она избавляет от написания одного и того же кода. Основной пакет открытый и бесплатный, платишь только провайдеру модели, если пользуешься платной.
Можно ли использовать LangChain без OpenAI?
Да. Есть пакеты для других провайдеров, в том числе langchain-gigachat, и локальные модели через Ollama. Подходит и любой сервер с OpenAI-совместимым API, например vLLM. Для агентов модель должна поддерживать вызов инструментов.
Почему не работает from langchain.chains import LLMChain?
В версии 1 цепочки перенесли в пакет langchain-classic. Поставь его и импортируй из langchain_classic.chains, или перепиши код на прямой вызов модели и create_agent. Таблица замен есть выше.
Что учить раньше, LangChain или устройство LLM?
Сначала устройство: токены, контекст, эмбеддинги и трансформеры. LangChain прячет всё это за парой строк, и без базы на первой же проблеме будет непонятно, что сломалось. Библиотека меняется быстро, а база остаётся.
LangChain или LlamaIndex?
LlamaIndex сильнее заточен под поиск по данным и RAG. LangChain шире и больше ориентирован на агентов, и в вакансиях из нашего среза он встречается часто. Если сомневаешься, начни с LangChain и посмотри, чего не хватает.