Curso Completo de LangChain para Iniciantes

Uma trilha prática de LangChain

Esta playlist reúne 20 vídeos, com duração total informada de 8 horas, 28 minutos e 52 segundos. A série parte da configuração do ambiente e dos fundamentos de modelos de linguagem para chegar à construção de aplicações com chatbots, fluxos encadeados e recuperação de informações. A apresentação da ementa identifica o curso como LangChain v0.3.

Os vídeos incluem explicações e exemplos de código. As descrições das aulas indicam que os códigos e materiais estão disponíveis no repositório do curso no GitHub. A sequência pode ser acompanhada como uma introdução progressiva: primeiro os componentes da biblioteca, depois suas combinações em aplicações mais completas.

Fundamentos e composição de fluxos

As primeiras aulas abordam conceitos de LLMs e LangChain, Runnables e a LangChain Expression Language (LCEL). A série apresenta o operador pipe e componentes como RunnableLambda, RunnableSequence, RunnableParallel e RunnablePassthrough para mostrar como entradas, modelos e funções podem ser conectados em um fluxo.

Na sequência, os vídeos tratam de Chat Models e integração com APIs de modelos, incluindo exemplos citados com GPT e Llama via Groq. Também passam por parâmetros de configuração, mensagens com papéis distintos, templates de prompt e analisadores de saída. Entre os formatos e ferramentas mencionados estão respostas em texto, JSON e objetos validados com Pydantic.

As aulas sobre chains avançam dos encadeamentos simples para funções personalizadas, execução paralela e roteamento de entradas. Os exemplos descritos incluem geração de textos, críticas de filmes e fluxos de atendimento. Essa parte ajuda a visualizar como componentes menores podem ser organizados em tarefas conversacionais.

Documentos, memória e chatbots

A trilha apresenta carregadores para documentos em formatos como PDF, texto, páginas web e CSV, além dos métodos de carregamento `load` e `lazy_load`. Outra aula explica como associar histórico de mensagens às chains com `RunnableWithMessageHistory`, identificadores de sessão e armazenamento em SQLite. Também aborda o ajuste do histórico para administrar o contexto enviado ao modelo.

Os projetos de chatbot aplicam esses conceitos em cenários de atendimento. Um exemplo usa rotas para perguntas frequentes de uma academia, questões técnicas e solicitações fora do escopo; outro demonstra o uso de memória em conversas de atendimento odontológico. A série ainda apresenta o LangServe para testar uma chain por meio de uma API e de um playground.

RAG: da preparação dos dados à recuperação

A parte dedicada a RAG explica a combinação entre recuperação de informações externas e geração de respostas. As aulas percorrem a preparação de documentos com splitters, incluindo divisões por caracteres, tokens e estrutura, além da criação de embeddings e do armazenamento em bancos vetoriais. Chroma, FAISS, Milvus, Pinecone e Qdrant aparecem como exemplos ao longo das descrições.

Depois, os vídeos apresentam retrievers, busca por similaridade, MMR, limiares de relevância e MultiQueryRetriever. A aula final integra esses componentes em um chatbot sobre dengue: carrega documentos e imagens, divide o conteúdo, cria embeddings, usa Qdrant e organiza rotas para informar, orientar ou registrar relatos em CSV. O projeto também utiliza histórico em SQLite e demonstra a aplicação por API.

Aulas extras e percurso de estudo

Duas aulas extras complementam a sequência: uma apresenta provedores alternativos de APIs, incluindo Groq Cloud, Together AI, Google AI Studio e Hugging Face; a outra mostra Qdrant local em fluxos de RAG com LangChain e LangGraph. Em conjunto, os vídeos oferecem um percurso concreto por componentes, integrações e projetos. Quem acompanha a playlist pode praticar cada etapa com os exemplos e materiais indicados nas descrições, retomando os fundamentos ao avançar para aplicações que combinam chat, documentos e recuperação contextual.