Бесплатный курс по LangChain | Урок 1

О курсе LangChain

Этот курс учит делать приложения с языковыми моделями, от первого вызова API до продакшн сервиса с поиском по документам, агентами и памятью диалога.

LangChain — популярный фреймворк с открытым исходным кодом для разработки приложений с LLM, который упрощает интеграцию языковых моделей с внешними сервисами и источниками данных, предоставляя удобные уровни абстракции для быстрого построения рабочих систем.

К концу курса у вас будет

• Цепочки - последовательная обработка данных через несколько шагов
• Структурированный вывод - модель возвращает объекты Python, а не текст
• Чат-бот с памятью - помнит историю диалога, изолирует сессии пользователей
• Агент с инструментами - сам решает, что вызвать и в каком порядке
• RAG-система - отвечает на вопросы по вашим документам
• Веб сервис на FastAPI - всё это как API со стримингом, сессиями и мониторингом

Программа курса

Требования

Python:

Нужен уверенный уровень. Вы должны без усилий читать код с декораторами, генераторами, async/await и аннотациями типов. Если что-то из этого вызывает вопросы, освежите знания перед стартом.

Нужно знать:

• Функции, классы, исключения
• List/dict comprehensions
• *args, **kwargs
• Декораторы (@property, @staticmethod, свои простые)
• Аннотации типов (str, int, list[str], dict[str, Any])
• async def и await - хотя бы на базовом уровне
• Pydantic BaseModel и Field - будем использовать с урока 2

Не нужно знать:

• LangChain или другие LLM-фреймворки
• Машинное обучение и нейросети
• Математику (линейная алгебра, статистика)
• Эмбеддинги - объясним в уроке 7

Настройка окружения

1. Python 3.10+

python --version
# Python 3.10.x или выше

Если версия ниже, обновите. Курс использует синтаксис list[str], str | None и другие фичи 3.10+.

2. Виртуальное окружение

python -m venv .venv

# Windows
.venv\Scripts\activate

# macOS / Linux
source .venv/bin/activate

Всегда работайте внутри venv - это изолирует зависимости проекта.

3. Установка пакетов

pip install langchain langchain-openai langchain-community langgraph langsmith python-dotenv faiss-cpu pypdf langchain-huggingface sentence-transformers rank-bm25 beautifulsoup4 huggingface_hub[hf_xet]

4. Получение API ключа

В курсе используется OpenAI совместимый API. Есть два варианта подключения к API LLM, выберите удобный для вас.

Вариант A: OpenAI (международный)

1. Зарегистрируйтесь на platform.openai.com
2. Перейдите в API keys → Create new secret key
3. Скопируйте ключ и сохраните, он показывается только один раз

Пополните баланс на $5–10, этого хватит на весь курс с запасом.

Вариант Б: Rus-GPT (российские карты, рубли)

Если оплата через OpenAI недоступна или неудобна, то используйте rus-gpt.com. Это российский прокси-провайдер, совместимый с OpenAI SDK.

1. Зарегистрируйтесь на rus-gpt.com через аккаунт Яндекс
2. Перейдите в раздел Ключи → создайте новый ключ и сохраните, он показывается только один раз
3. Пополни баланс рублями российской картой (100 руб.)

Все модели курса доступны через Rus-GPT: gemini, claude и другие. Формат ключа и URL отличаются от оригинального OpenAI, подробности в разделе про .env ниже.

5. Файл .env

Создайте файл .env в корне проекта. Здесь же задаётся модель одной переменной для всего курса.

Если используете OpenAI:

OPENAI_API_KEY=sk-proj-...
MODEL_NAME=gpt-4o

Если используете Rus-GPT:

OPENAI_API_KEY=rusgpt-...
OPENAI_BASE_URL=https://rus-gpt.com/api/v1
MODEL_NAME=anthropic/claude-haiku-4.5

Если хотите использовать другую модель через Rus-GPT, просто поменяйте MODEL_NAME. Примеры других моделей в Rus-GPT:

MODEL_NAME=anthropic/claude-haiku-4.5
MODEL_NAME=google/gemini-3-flash-preview

MODEL_NAME считывается в коде один раз, все примеры курса используют эту переменную.

Никогда не делайте коммит .env в git. Добавь в его .gitignore:

.env
.venv/
__pycache__/
*.pyc

6. Проверка установки

Создай файл check.py:

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

model = ChatOpenAI(model=os.getenv("MODEL_NAME", "gpt-4o"))
response = model.invoke("Скажи 'установка прошла успешно' и ничего больше.")
print(response.content)

Запустите:

python check.py

Если видите ответ модели "установка прошла успешно", то всё готово.

Как устроен каждый урок

Каждый урок включает:

• Теорию - объяснение концепции с примерами
• Рабочий код - каждый блок кода можно скопировать и запустить
• Распространённые ошибки - что часто идёт не так и как это фиксить
• Полный пример - законченный скрипт, объединяющий всё из урока
• Практическое задание - самостоятельная задача для закрепления
• Связь со следующим уроком - зачем то, что вы только что изучили, нужно дальше

Уроки идут последовательно, каждый опирается на предыдущий. Не пропускай, даже если тема кажется знакомой, в ней могут быть детали, которые понадобятся позже.

Как работать с заданиями

В конце каждого урока есть задание. Несколько рекомендаций.

Делайте сами, прежде чем смотреть решение. Даже если застряли, потратьте 20–30 минут на поиск ответа самостоятельно. Это лучше закрепляет материал, чем чтение готового кода.

Не копируйте весь пример сразу. Набирайте блок за блоком, запускайте, смотрите на вывод, так вы лучше поймете, что происходит на каждом шаге.

Читайте ошибки. Ошибки LangChain информативны, в них обычно написано, что именно пошло не так. Прочитайте внимательно перед тем, как гуглить.

Экспериментируйте. Поменяли промпт, что изменилось? Использовали другую модель, как это повлияло? Любопытство ускоряет обучение.

Частые вопросы перед стартом

Можно ли использовать другую модель вместо OpenAI? Да. LangChain поддерживает Anthropic Claude, Google Gemini, Ollama (локальные модели) и другие. Но в курсе все примеры написаны под OpenAI, для начала рекомендую не менять, чтобы не отвлекаться на различия в API.

Сколько стоит пройти весь курс? Все примеры используют claude-haiku-4.5. Примерная оценка, это $2–3 на весь курс, если выполнять все задания. Если хотите сэкономить, то используйте более дешёвую модель в примерах. При использовании Rus-GPT расходы аналогичны, но платишь в рублях картой российского банка.

Нужно ли знать машинное обучение? Нет. Курс про разработку приложений, а не про обучение моделей. Математики нет, только Python и API.

Почему LangChain, а не писать вызовы API напрямую? Для первых экспериментов, можно напрямую. Для реальных приложений LangChain экономит сотни строк кода: управление промптами, цепочки, память, инструменты, трейсинг всё это уже реализовано. Вы фокусируетесь на логике, а не на инфраструктуре.

Устарел ли LangChain? LangChain активно развивается. Курс написан под версию 1.2.10+. Старые статьи с LLMChain и ConversationChain в интернете - это API версии 0.1, он устарел. Здесь только современный подход.

Структура файлов

Рекомендуемая организация рабочей папки:

langchain-course/
├── .env                  # ключи и модели (не в git!)
├── .gitignore
├── requirements.txt
├── lesson_01/
│   ├── examples.py       # примеры из урока
│   └── task.py           # ваше решение задания
├── lesson_02/
│   ├── examples.py
│   └── task.py
...
└── final_project/        # итоговый проект (урок 10)
    ├── app/
    └── ...

Готовы?

Настройте окружение, запустите check.py и убедитесь, что всё работает.

Переходите к уроку 2 →

Подписывайтесь на мой Telegram канал

Если вам нужен ментор и вы хотите научиться разрабатывать AI агентов, пишите, обсудим условия