LangChain и LangGraph: от новичка до профессионала
Полный практический курс по созданию интеллектуальных агентов с использованием LangChain и LangGraph. Охватывает модели, инструменты, графовую оркестрацию, память, прерывания, функциональный API, мультиагентные системы и развёртывание в продакшен. Все примеры основаны на актуальной документации (2026) и проверены против реального API.
LangChain и LangGraph: от новичка до профессионала
Полный практический курс по созданию интеллектуальных агентов с использованием LangChain и LangGraph. Все примеры основаны на актуальной документации (2026) и проверены против реального API.
Что охватывает курс
Курс ведёт от базовых понятий (модели, инструменты, первый агент) через графовую оркестрацию (состояние, узлы, рёбра, маршрутизация) к продвинутым темам (мультиагентные системы, Deep Agents, развёртывание в продакшен).
Темы курса
Введение в экосистему LangChain — обзор компонентов, установка, единый интерфейс моделей
Инструменты и первый агент — декоратор @tool, create_agent, структурированный вывод
Основы LangGraph — StateGraph, редукторы, MessagesState, узлы и рёбра
Условная маршрутизация и Command — условные рёбра, Command для обновления состояния и маршрутизации
Потоковая передача данных — стриминг с stream_events, асинхронный стриминг
Память и сохранение состояния — чекпоинтеры, хранилище, InMemorySaver, PostgresSaver
Управление контекстом — суммаризация, память, навыки, middleware
Человек в цикле — прерывания, одобрение, редактирование, валидация ввода
Функциональный API — @entrypoint, @task, параллельная обработка
Мультиагентные системы — субагенты, хендоффы, навыки, маршрутизатор
Продвинутые темы — Deep Agents, кэширование, обработка ошибок, LangSmith
Продакшен — развёртывание, мониторинг, лучшие практики
Для кого этот курс
Курс подходит разработчикам, которые хотят создавать агентов на базе языковых моделей. Необходимы знания Python на уровне уверенного пользователя и базовое понимание REST API.
Необходимые инструменты
Python 3.10+
Учётная запись у провайдера языковых моделей (OpenAI, Anthropic, Google или другой)
(Опционально) PostgreSQL для продакшен-чекпоинтера
1
Введение в экосистему LangChain
Обзор экосистемы LangChain, установка, единый интерфейс моделей, выбор провайдера.
4 вопроса6.0(1)
2
Инструменты и первый агент
Создание инструментов через декоратор @tool, конфигурация агента с create_agent, структурированный вывод, контекст выполнения.
4 вопроса
3
Основы LangGraph: состояние, узлы, рёбра
Графовый подход к оркестрации, StateGraph, редукторы, MessagesState, узлы и рёбра.
4 вопроса
4
Условная маршрутизация и команда Command
Условные рёбра, команда Command для обновления состояния и маршрутизации, Send для параллельных веток.
4 вопроса
5
Потоковая передача данных
Стриминг с stream_events, асинхронный стриминг, обнаружение прерываний в потоке.
4 вопроса
6
Память и сохранение состояния
Контрольные точки (чекпоинтеры), долговременная память (хранилище), InMemorySaver, PostgresSaver, Store.
4 вопроса
7
Управление контекстом
Суммаризация, память, навыки, middleware для управления контекстным окном.
4 вопроса
8
Человек в цикле
Прерывания (interrupts), паттерны одобрения и редактирования, валидация ввода, правила прерываний.
4 вопроса
9
Функциональный API
Точки входа (@entrypoint), задачи (@task), сравнение графового и функционального API, параллельная обработка.
Функция, которую языковая модель может вызвать для взаимодействия с внешним миром: вызов API, обращение к базе данных, вычисления. Создаётся через декоратор @tool.
Общая структура данных графа, которую читают и записывают все узлы. Определяется через TypedDict, dataclass или Pydantic BaseModel.
Пример
class State(TypedDict):
messages: Annotated[list[AnyMessage], add_messages]
step: int
Связанные термины
Узел (node)
Графовая оркестрация
Функция в графе LangGraph, которая принимает текущее состояние, выполняет вычисление и возвращает обновление состояния. Узлы делают работу, рёбра определяют порядок.