Изучаем LangChain, Ошин М., Кампос Н., 2026

Изучаем LangChain, Ошин М., Кампос Н., 2026.
 
   Практическое руководство по изучению LangChain и LangGraph для создания готовых к эксплуатации AI- и LLM-приложений. Рассмотрены основы работы с большими языковыми моделями (LLM), извлечение и индексация данных для генерации, дополненной поиском (retrieval-augmented generation, RAG), организация памяти чат-ботов через StateGraph. Детально разобраны когнитивные архитектуры (цепочки, маршрутизаторы, агентные циклы «планирование-действие»), построение многомодульных и мультиагентных систем. Приведены паттерны эффективного использования LLM: структурированный вывод, потоковая передача, режимы с участием человека. Отдельные главы посвящены развертыванию созданных приложений на платформе LangGraph — конфигурации, локальному тестированию, работе со студией LangGraph, а также комплексной оценке приложений: трассировке и сбору обратной связи в рабочей среде. Книга предлагает работающий код, примеры оптимизации индексации и приемы трансформации запросов.




Дообученные LLM.
Дообученные LLM создаются на базе исходных LLM, которые дополнительно обучаются на специализированном, собственном датасете для конкретной задачи. Технически и модели с инструкционным дообучением, и модели, обученные для диалогов, являются видами дообученных LLM. Однако термин "дообученная LLM" (fine-tuned LLM) обычно используется для моделей, которые разработчик настраивает именно под свою задачу. Например, модель можно дообучить так, чтобы она точно извлекала эмоциональную окраску, факторы риска и ключевые финансовые показатели из годового отчета акционерной компании. Как правило, дообученные модели показывают лучшие результаты в выбранной области, но при этом теряют универсальность — они хуже справляются с вопросами из других областей.

В остальной части этой книги, когда мы говорим "LLM", мы имеем в виду модели с инструкционным дообучением, а под "чат-моделью" — LLM, дообученные на диалогах, как было определено ранее. Именно эти модели станут вашими рабочими лошадками при работе с LLM и первыми инструментами, к которым вы обратитесь, начиная новый проект.

ОГЛАВЛЕНИЕ.
Отзывы о книге.
Предисловие.
Краткое введение в большие языковые модели (LLM).
Модели с дообучением на инструкциях.
Модели, обученные для диалога.
Дообученные LLM.
Краткое введение в промmы.
Промтинг без контекста (Zero-Shot Prompting).
Цепочка рассуждений.
Генерация с дополнением поиском.
Вызов внешних инструментов.
Промтинг с несколькими примерами.
Почему так важен LangChain.
Чего ожидать от этой книги.
Условные обозначения, принятые в этой книге.
Использование примеров кода.
O'Reilly Online Learning.
Как с нами связаться.
Благодарности.
Глава 1. Основы LLM с LangChain.
Настройка окружения для работы с LangChain.
Использование LLM в LangChain.
Повторное использование LLМ-промтов.
Получение данных в определенных форматах от LLM.
Вывод в формате JSON.
Другие машинно-читаемые форматы. Парсеры вывода.
Сборка множества компонентов LLМ-приложения.
Использование интерфейса Runnable.
Императивный подход.
Декларативный подход.
Резюме.
Глава 2. Генерация с дополнением поиском, часть 1: индексация ваших данных.
Цель: подобрать релевантный контекст для LLM.
Эмбеддинги: превращаем текст в числа.
Эмбеддинги до появления LLM.
Эмбеддинги на основе LLM.
Что такое семантические эмбеддинги.
Преобразование документов в текст.
Разбиение текста на чанки.
Генерация эмбеддингов текста.
Сохранение эмбеддингов в векторном хранилище.
Настройка PGVector.
Работа с векторными хранилищами.
Отслеживание изменений в документах.
Оптимизация индексации.
MultiVectorRetriever.
RAPTOR: Рекурсивная абстрактивная обработка для древовидного поиска.
ColBERT: Оптимизация эмбеддингов.
Резюме.
Глава 3. Генерация с дополнением поиском, часть 11: "чат" с вашими данными.
Знакомимся с Retrieval-Augmented Generation (RAG).
Извлечение релевантных документов.
Генерация предсказаний модели на основе релевантных документов.
Преобразование запроса.
Перепиши - Найди - Прочитай.
Множественный запрос (Multi-Query Retrieval).
Стратегия RAG-Fusion.
Эмбеддинг гипотетического документа.
Маршрутизация запросов.
Логическая маршрутизация.
Семантическая маршрутизация.
Построение запросов.
Фильтр Текст-в-метаданные.
Преобразование текста в SQL.
Резюме.
Глава 4. Добавляем долгосрочную память чат-боту с помощью LangGraph.
Построение системы памяти для чат-бота.
Знакомство с LangGraph.
Создание StateGraph.
Добавление памяти в StateGraph.
Изменение истории чата.
Обрезка сообщений.
Фильтрация сообщений.
Объединение последовательных сообщений.
Резюме.
Глава 5. Когнитивные архитектуры с LangGraph.
Архитектура № 1: Вызов LLM.
Архитектура № 2: Цепочка.
Архитектура № 3: Маршрутизатор.
Резюме.
Глава 6. Агентная архитектура.
Цикл Plan-Do (планирование-действие).
Создание агента на базе LangGraph.
Всегда сначала вызываем инструмент.
Работа с множеством инструментов.
Резюме.
Глава 7. Агентная архитектура. Продолжение.
Рефлексия.
Подграфы в LangGraph.
Прямой вызов подграфа.
Вызов подграфа с помощью функции.
Архитектура с несколькими агентами.
Архитектура супервизора.
Резюме.
Глава 8. Паттерны для максимально эффективного использования LLM.
Структурированный вывод.
Промежуточный вывод (lntermediate Output).
Потоковая передача вывода LLM по токенам.
Режим "Человек в цикле".
Продолжение выполнения.
Перезапуск выполнения.
Редактирование состояния.
Ответвление.
Многозадачность в LLМ-приложениях.
Отклонение параллельных входов.
Независимая обработка.
Очередь.
Прерывание.
Разветвление и слияние.
Резюме.
Глава 9. Развертывание: запуск вашего АI-приложения в продакшен.
Требования.
Установка зависимостей.
Большая языковая модель.
Векторное хранилище.
Бэкенд API.
Создание аккаунта в LangSmith.
Устройство API платформы LangGraph.
Модели данных.
Ассистенты.
Потоки.
Запуски.
Периодические задания.
Возможности.
Потоковая передача данных.
Человек в цикле.
Обработка повторных сообщений.
Запуски без сохранения состояния.
Вебхуки.
Развертывание АI-приложения на платформе LangGraph.
Создание конфигурационного файла API LangGraph.
Тестирование приложения LangGraph локально.
Развертывание через LangSmith UI.
Данные развертывания.
Тип разработки.
Переменные окружения.
Запуск LangGraph Studio.
Безопасность.
Резюме.
Глава 10. Тестирование: оценка, мониторинг и постоянное улучшение.
Методы тестирования на этапах жизненного цикла разработки LLМ-приложения.
Этап проектирования: самокорректирующийся RAG.
Предпродакшен.
Создание наборов данных.
Определение критериев оценки.
Повышение эффективности LLM как оценщика.
Парная оценка.
Регрессионное тестирование.
Оценка полной производительности агента.
Тестирование окончательного ответа агента.
Тестирование отдельного шага агента.
Тестирование траектории агента.
Продакшен.
Трейсинг.
Собираем фидбэк в продакшене.
Классификация и тегирование.
Мониторинг и исправление ошибок.
Резюме.
Глава 11. Разработка приложений с LLM.
Интерактивные чат-боты.
Совместное редактирование с помощью LLM.
Контекстные вычисления.
Резюме.
Предметный указатель.
Об авторах.
Об изображении на обложке.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Изучаем LangChain, Ошин М., Кампос Н., 2026 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.




Теги: учебник по программированию :: программирование :: Ошин :: Кампос :: паттерн :: промтинг