Інтеграція LangChain для AI-пайплайнів: LCEL, RAG, агенти

Інтеграція LangChain для AI-пайплайнів: LCEL, RAG, агенти

LLM-пайплайни на продакшені — це не один виклик API, а десятки кроків: завантаження документів, чанкінг, ембеддинг, пошук, промптинг, парсинг відповіді, валідація, логування. Без єдиного фреймворку код перетворюється на «спагеті» з retry-логіки, обробників помилок і специфічних SDK. Коли команда зростає, кожен розробник пише свою обгортку навколо виклику LLM. Підтримка п'яти провайдерів потребує п'яти різних реалізацій зі спільними багами. Наші інженери бачать цей біль щодня. LangChain — рішення, яке ми впроваджуємо в проєктах клієнтів для уніфікації пайплайнів. Перехід на LangChain скорочує обсяг коду інтеграцій у середньому на 67% порівняно з прямими SDK (у 5 разів), а час додавання нового провайдера падає з кількох днів до годин.

Чому LCEL — основа продакшен-пайплайнів?

LCEL (LangChain Expression Language) — декларативний синтаксис, який об'єднує компоненти через оператор |. Будь-який об'єкт, що реалізує Runnable, можна з'єднати в ланцюжок. Це дає стрімінг, паралельне виконання, fallback'и та автоматичне трасування. Усе це працює незалежно від довжини ланцюжка. LCEL у 5 разів компактніший за прямий SDK при створенні RAG-пайплайну.

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser
from langchain_core.runnables import RunnablePassthrough, RunnableParallel
from langchain_community.vectorstores import Chroma

llm = ChatOpenAI(model="gpt-4o", temperature=0)

# Простий ланцюжок
prompt = ChatPromptTemplate.from_messages([
    ("system", "Ти — експерт з {domain}."),
    ("human", "{question}"),
])

chain = prompt | llm | StrOutputParser()
result = chain.invoke({"domain": "фінансовий аналіз", "question": "Що таке EBITDA?"})

# Паралельний ланцюжок
parallel_chain = RunnableParallel({
    "summary": prompt | llm | StrOutputParser(),
    "keywords": ChatPromptTemplate.from_template("Витягни ключові слова: {question}") | llm | StrOutputParser(),
})

Джерело: LangChain Documentation

Як LangChain спрощує інтеграцію з LLM-провайдерами?

Єдиний інтерфейс BaseChatModel дозволяє міняти провайдера без зміни логіки. Достатньо замінити об'єкт llm:

# OpenAI
from langchain_openai import ChatOpenAI
llm_openai = ChatOpenAI(model="gpt-4o-mini", temperature=0.2)

# Anthropic
from langchain_anthropic import ChatAnthropic
llm_claude = ChatAnthropic(model="claude-3-5-sonnet-20241022")

# Google
from langchain_google_genai import ChatGoogleGenerativeAI
llm_gemini = ChatGoogleGenerativeAI(model="gemini-2.0-flash")

# Локальна Ollama
from langchain_ollama import ChatOllama
llm_local = ChatOllama(model="llama3.2:3b", temperature=0)

# Hugging Face
from langchain_huggingface import HuggingFaceEndpoint
llm_hf = HuggingFaceEndpoint(repo_id="mistralai/Mistral-7B-Instruct-v0.3")

RAG-пайплайн з векторною БД

RAG (Retrieval-Augmented Generation) — архітектура, в якій LLM отримує контекст з векторної бази даних. Ось приклад на Qdrant:

from langchain_community.document_loaders import DirectoryLoader, PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_qdrant import QdrantVectorStore
from langchain_core.runnables import RunnablePassthrough
import json

loader = DirectoryLoader("./docs", glob="**/*.pdf", loader_cls=PyPDFLoader)
docs = loader.load()

splitter = RecursiveCharacterTextSplitter(chunk_size=800, chunk_overlap=100)
chunks = splitter.split_documents(docs)

embeddings = OpenAIEmbeddings(model="text-embedding-3-small")
vectorstore = QdrantVectorStore.from_documents(
    chunks,
    embedding=embeddings,
    url="http://localhost:6333",
    collection_name="knowledge_base",
)
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

rag_prompt = ChatPromptTemplate.from_messages([
    ("system", "Дай відповідь на запитання на основі контексту.\n\nКонтекст:\n{context}\n\nЗапитання: {question}\n\nЯкщо відповіді немає в контексті — скажи про це явно.")
])

def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | rag_prompt
    | llm
    | StrOutputParser()
)

answer = rag_chain.invoke("Які умови розірвання договору?")

Управління пам'яттю в діалозі

Для тривалих діалогів використовуйте ConversationBufferWindowMemory з історією в Redis:

from langchain.memory import ConversationBufferWindowMemory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import RedisChatMessageHistory

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    return RedisChatMessageHistory(session_id, url="redis://localhost:6379")

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "Ти — асистент технічної підтримки."),
    ("placeholder", "{history}"),
    ("human", "{input}"),
])

chain_with_history = RunnableWithMessageHistory(
    chat_prompt | llm | StrOutputParser(),
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

config = {"configurable": {"session_id": "user_123"}}
chain_with_history.invoke({"input": "Мій додаток не запускається"}, config=config)
chain_with_history.invoke({"input": "Помилка: 'connection refused'"}, config=config)

Практичний кейс: уніфікація 5 LLM-інтеграцій

Ситуація з нашого досвіду: один із наших клієнтів — продакшн-команда підтримувала 5 окремих інтеграцій (OpenAI, Claude, корпоративний YandexGPT, локальний Llama, Gemini) з дублюючим кодом retry-логіки, форматування промптів та обробки помилок. Такі «зоопарки» виникають щоразу, коли команда швидко зростає, а архітектура не уніфікована.

Рішення: рефакторинг на LangChain LCEL з єдиним інтерфейсом. Архітектура:

• Конфігурований провайдер через env-змінну LLM_PROVIDER
• Спільні промпт-темплейти в YAML-файлах
• Єдиний шар обробки помилок через .with_fallbacks()

from langchain_core.runnables import RunnableWithFallbacks

primary_llm = ChatOpenAI(model="gpt-4o")
fallback_llm = ChatAnthropic(model="claude-3-5-sonnet-20241022")

robust_llm = primary_llm.with_fallbacks([fallback_llm])

Результати:

• Обсяг коду інтеграцій: -67% (LCEL скорочує код у 5 разів порівняно з прямим SDK)
• Час додавання нового провайдера: 3 дні → 4 години (у 12 разів швидше)
• Uptime пайплайну: 99.1% → 99.8%
• Видимість у LangSmith: час налагодження інцидентів скоротився з 2 годин до 20 хвилин (у 6 разів швидше)
• Економія: наш клієнт зекономив $15 000 на рік на підтримці інтеграцій

Коли LangChain надлишковий?

LangChain додає абстракцію, яка виправдана при складних пайплайнах. Для простого one-shot виклику LLM пряме використання SDK (OpenAI, Anthropic) простіше та передбачуваніше.

Порівняння типів пам'яті:

LangChain оптимальний коли: кілька компонентів (retriever + LLM + parser), кілька провайдерів, потрібні трасування та пам'ять. Для решти випадків — залиште SDK напряму.

Що входить в роботу

• Архітектурна схема ланцюжків LCEL
• Налаштована інтеграція з вибраними провайдерами (до 5)
• Векторна БД з індексами та конфігурацією
• Система пам'яті діалогів (Redis/Postgres)
• Трасування LangSmith з дашбордами
• Документація по нових ланцюжках та інструкція для розробників
• Гарантія роботи всіх пайплайнів протягом місяця після запуску
• Навчання команди роботі з LangChain (2-годинний воркшоп)

Як ми впроваджуємо LangChain

Ми — команда з 7+ років досвіду в NLP та 50+ інтеграцій LLM, на ринку з 2019 року. Процес:

1. Аудит поточних LLM-інтеграцій та архітектури пайплайнів.
2. Проєктування єдиної схеми ланцюжків (LCEL).
3. Підключення та налаштування векторної БД (Qdrant, Chroma, pgvector).
4. Інтеграція з провайдерами (OpenAI, Claude, локальні моделі).
5. Налаштування пам'яті діалогів (Redis, Postgres).
6. Розгортання LangSmith для трасування та налагодження.
7. Документація по нових ланцюжках та інструкція для розробників.
8. Гарантія роботи всіх пайплайнів протягом місяця після запуску.

Терміни та вартість

• Базова інтеграція LangChain + 1 провайдер: 2–4 дні, від $2 000
• RAG-пайплайн з векторною БД: 1–2 тижні, від $5 000
• Діалоговий агент з пам'яттю: 1–2 тижні, від $4 000
• Рефакторинг існуючого коду на LCEL: 1–3 тижні, від $3 000

Оцінимо ваш проєкт безкоштовно протягом 2 днів. Пишіть — розкажемо, як уніфікувати пайплайни та знизити витрати на підтримку. Отримайте консультацію з впровадження LangChain — ми підберемо архітектуру під ваш проєкт.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.