LangChain: montando o assistente com peças prontas

O que você vai aprender

1. Aula 1. Modelos e templates: a primeira chamada com LangChain

   45 min

   O que a LangChain 1.x resolve, como instalar, como criar o modelo com init_chat_model / initChatModel (trocando de provedor sem reescrever), como organizar mensagens de sistema, usuária e assistente, e como montar prompts reutilizáveis com ChatPromptTemplate.

   • Instalar a LangChain 1.x e o pacote do provedor em Python e em TypeScript e criar um modelo com init_chat_model / initChatModel
   • Usar os tipos de mensagem (sistema, usuária, assistente) e os parâmetros do modelo (temperature, max_tokens, timeout, max_retries) com intenção
   • Montar um prompt reutilizável com variáveis usando ChatPromptTemplate e explicar quando um template compensa
   • Ler a resposta do modelo (texto, streaming e blocos de conteúdo) sem depender do formato de um provedor específico

   Aula completa, exemplos e exercícios dentro da plataforma

2. Aula 2. Ferramentas e parsers: o modelo que consulta, registra e responde no formato certo

   50 min

   Como transformar uma função sua em ferramenta que o modelo pode pedir para executar (@tool / tool()), como o laço de chamada de ferramentas funciona dentro de create_agent / createAgent, como ler o resultado do modelo como texto ou JSON com parsers, e como exigir saída estruturada validada.

   • Criar ferramentas com @tool (Python) e tool() (TypeScript) com nome, descrição e esquema de entrada que o modelo entende
   • Explicar o laço de chamada de ferramenta: o modelo pede, seu código executa, o resultado volta como ToolMessage
   • Montar um agente com create_agent / createAgent que usa ferramentas e um prompt de sistema
   • Escolher entre parser de texto, parser de JSON e saída estruturada (with_structured_output / response_format) conforme a necessidade

   Aula completa, exemplos e exercícios dentro da plataforma

3. Aula 3. Recuperadores: ligando a busca em documentos ao assistente

   50 min

   Como a LangChain representa documentos, divide em partes, gera embeddings, guarda em um vector store e expõe tudo como um recuperador (retriever); como escolher entre RAG em dois passos e busca como ferramenta do agente; e o que mudou na 1.x para quem procura recuperadores prontos.

   • Carregar documentos como objetos Document com metadados e dividi-los com RecursiveCharacterTextSplitter escolhendo tamanho e sobreposição
   • Indexar as partes em um vector store com um modelo de embeddings e consultar com similarity_search e as_retriever
   • Expor a busca ao agente como ferramenta (RAG agêntico) ou rodá-la sempre antes da geração (RAG em dois passos), sabendo quando usar cada um
   • Levar os metadados até a resposta para citar a fonte, e saber onde os recuperadores legados vivem na 1.x

   Aula completa, exemplos e exercícios dentro da plataforma

4. Aula 4. Memória e a decisão honesta: quando LangChain ajuda e quando atrapalha

   50 min

   Como dar memória de curto prazo ao agente (checkpointer e thread_id), controlar o tamanho do histórico (middleware de resumo), guardar memória de longo prazo entre conversas (store com namespace), e os critérios para decidir entre usar a biblioteca, usar LangGraph ou chamar a API do provedor direto.

   • Adicionar memória de curto prazo a create_agent / createAgent com checkpointer e thread_id e provar o isolamento entre conversas
   • Controlar o crescimento do histórico com SummarizationMiddleware / summarizationMiddleware e entender o papel dos middlewares
   • Guardar e recuperar memória de longo prazo com store, namespace e chave, lendo de dentro de uma ferramenta via runtime
   • Decidir com critérios objetivos quando usar LangChain, quando usar LangGraph e quando chamar a API direto

   Aula completa, exemplos e exercícios dentro da plataforma

Termos que você vai dominar

• LangChain
• Provedor (provider)
• init_chat_model / initChatModel
• Mensagem de sistema (SystemMessage)
• ChatPromptTemplate
• temperature
• Streaming
• Blocos de conteúdo (content_blocks / contentBlocks)
• Ferramenta (tool)
• Chamada de ferramenta (tool call)
• ToolMessage
• create_agent / createAgent
• Esquema de entrada (args_schema / schema)
• Parser de saída (output parser)
• Saída estruturada (structured output)
• ToolRuntime
• Document
• Divisor de texto (text splitter)
• chunk_size / chunk_overlap
• Vector store
• Recuperador (retriever)
• RAG em dois passos
• RAG agêntico
• langchain-classic / @langchain/classic
• Memória de curto prazo (short-term memory)
• Checkpointer
• thread_id
• Middleware
• Memória de longo prazo (long-term memory)
• Store / namespace
• LangGraph
• Chamar a API direto