Блог

LangChain: что это и как им пользоваться на практике

Богдан Камаев, ментор · 8 ноября 2026

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:

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:

  1. Из функции собирается описание инструмента: название, текст из докстринга и типы параметров. Модель видит только это, поэтому докстринг пиши понятный.
  2. Модель получает вопрос и список инструментов и отвечает: хочу вызвать get_order_status с order_id="1001". Сама она ничего не запускает.
  3. LangChain выполняет функцию и отправляет результат обратно модели.
  4. 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:

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:

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

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.

Нужна помощь с поиском работы?

Помогаю найти работу ML-инженером и Data Scientist. На бесплатной консультации за 20 минут разберём, где ты сейчас, какая цель и как до неё дойти.

Записаться на бесплатную консультациюМенторство по ML

Читать дальше

Вопросы на собеседовании data scientist и ML-инженераСтажировка в Т-Банке: как попасть на ML, аналитику и данныеSQL вопросы на собеседовании и задачи с разбором