Introduzione a LangChain

1. Cos'è LangChain?

LangChain è un framework open-source progettato per semplificare lo sviluppo di applicazioni basate su Large Language Models (LLM) come OpenAI, Anthropic e Hugging Face.

Invece di costruire connessioni complicate tra diversi componenti, LangChain fornisce:

• Chat Models - interfaccia unificata per diversi provider LLM
• Prompt Templates - template riusabili per prompt strutturati
• Chains - sequenze di operazioni collegate insieme
• Agents - LLM autonomi che usano tool e decidono le azioni
• Retrievers - ricerca di documenti per il contesto
• Memory - mantenimento della storia conversazionale

Casi d'uso reali

• Chatbot intelligenti e assistenti virtuali
• Analisi e summarizzazione di documenti
• Ricerca semantica e RAG (Retrieval-Augmented Generation)
• Automazione di flussi di lavoro multi-step
• Sistemi di Q&A con knowledge base personalizzate

2. Requisiti di Ambiente

Prerequisiti

• Python 3.8+ - LangChain è una libreria Python
• pip - gestore pacchetti Python
• API Key - da almeno un provider LLM (OpenAI, Anthropic, ecc.)

Installazione base

pip install langchain

Dipendenze comuni

A seconda del tuo caso d'uso, installa anche:

# Per OpenAI
pip install openai

# Per gestione documenti e vettori
pip install pypdf faiss-cpu

# Per database vettoriali
pip install chroma

# Per Hugging Face
pip install huggingface-hub

Configurazione API

Imposta le variabili d'ambiente con le tue chiavi API:

export OPENAI_API_KEY="sk-your-key-here"
export ANTHROPIC_API_KEY="your-key-here"

3. Iniziamo a Scrivere Codice

Il primo esempio: Chat semplice

Ecco il codice minimo per interagire con un LLM:

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

# Inizializza il modello
llm = ChatOpenAI(model_name="gpt-4.1-mini", temperature=0.7)

# Invia un messaggio
response = llm.invoke([HumanMessage(content="Cosa è LangChain?")])

# Stampa la risposta
print(response.content)

Con Prompt Templates

Rendi i prompt riusabili e dinamici:

from langchain.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_template(
    "Spiega {topic} in modo semplice per un {audience}"
)

prompt = template.format_messages(
    topic="machine learning",
    audience="principiante"
)

response = llm.invoke(prompt)
print(response.content)

Chains: Sequenze di operazioni

Collega prompt, modello e output parser:

from langchain.schema.output_parser import StrOutputParser

template = ChatPromptTemplate.from_template(
    "Crea 3 nomi per una startup che fa {business}"
)

chain = template | llm | StrOutputParser()

result = chain.invoke({"business": "e-commerce di frutta biologica"})
print(result)

4. Esempio Didattico Completo

Creiamo un assistente Q&A su documenti personali:

from langchain.chat_models import ChatOpenAI
from langchain.document_loaders import PyPDFLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain.prompts import PromptTemplate

# 1. Carica un documento
loader = PyPDFLoader("mio_documento.pdf")
documents = loader.load()

# 2. Dividi il testo in chunk
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
docs = text_splitter.split_documents(documents)

# 3. Crea embeddings e vector store
embeddings = OpenAIEmbeddings()
vector_store = FAISS.from_documents(docs, embeddings)

# 4. Configura il retriever
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

# 5. Crea il prompt personalizzato
template = """Usa i seguenti pezzi di contesto per rispondere alla domanda.
Se non conosci la risposta, dì semplicemente che non lo sai.

{context}

Domanda: {question}
Risposta:"""

prompt = PromptTemplate(
    template=template,
    input_variables=["context", "question"]
)

# 6. Assembla la chain
llm = ChatOpenAI(model_name="gpt-4.1-mini", temperature=0)
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    chain_type_kwargs={"prompt": prompt}
)

# 7. Fai domande
result = qa_chain.run("Quali sono i punti principali del documento?")
print(result)

Cosa fa questo codice

Varianti interessanti

• Agents - Aggiungi tool come calcolatrice, web search
• Memory - Mantieni la storia della conversazione
• Streaming - Ricevi le risposte token per token
• Custom Tools - Crea funzioni personalizzate per l'agente

5. Conclusioni

Punti chiave

• LangChain abstrae la complessità di lavorare con LLM
• Permette di costruire applicazioni sofisticate rapidamente
• Supporta composizione modulare (chains, agents, retrievers)
• Integra molteplici provider e strumenti in modo seamless
• La comunità è attiva e la documentazione è in continuo miglioramento

Prossimi passi

1. Consulta la documentazione ufficiale: langchain.com
2. Sperimenta con diversi modelli (OpenAI, Anthropic, Llama 2)
3. Costruisci il tuo primo progetto (chatbot, RAG system, ecc.)
4. Unisciti alla comunità su Discord e GitHub
5. Approfondisci Agents e Tool Use per automazione avanzata

LangChain continua a evolversi. Consulta sempre la versione più recente della documentazione per le API aggiornate.