LangChain 1.0 na prática - Agentes e RAG com Python
Aprenda a criar sistemas agentes de IA inteligentes com a versão atualizada da biblioteca LangChain.
- Cursos
- LangChain 1.0 na prática – Agentes e RAG com Python
Sobre o curso
Neste curso, você vai aprender a usar o LangChain de forma prática e estruturada, construindo aplicações reais com LLMs do zero!
O aprendizado começa pela base essencial: configuração de ambiente, LCEL (LangChain Expression Language), pipelines e agentes. Em seguida, você evolui para tópicos mais avançados como memória conversacional, integração de ferramentas externas e RAG (Retrieval Augmented Generation).
O foco não é apenas fazer funcionar, mas entender o que está acontecendo em cada etapa e tomar decisões técnicas com clareza. Cada módulo é construído sobre o anterior, garantindo uma progressão lógica e sólida.
Ao longo do curso, você vai trabalhar com projetos reais que demonstram como orquestrar LLMs com ferramentas, criar sistemas de memória robustos e construir pipelines de Q&A sobre documentos próprios usando vector stores e embeddings.
Este curso é ideal para quem já programa em Python e quer ir além do “copiar e colar”. Aqui, você aprende a arquitetar soluções com LangChain de forma profissional.
Este curso é recomendado para
- Desenvolvedores Python que querem construir aplicações reais com LLMs de forma estruturada
- Profissionais que já usam IA no dia a dia e querem entender como orquestrar modelos com LangChain
- Pessoas que querem ir além dos tutoriais e aprender a arquitetar soluções com agentes e RAG
Conteúdo do Curso
1 Introdução ao LangChain 1.0
2 Memória e Tools | EM BREVE
3 RAG com LangChain 1.0 | EM BREVE
O que você vai aprender
- Configurar o ambiente e entender os principais pacotes do ecossistema LangChain
- Usar LCEL (LangChain Expression Language) para construir cadeias de forma declarativa
- Criar e compor pipelines de processamento com LLMs
- Orquestrar agentes que utilizam ferramentas externas para resolver tarefas complexas
- Implementar memória de curto e longo prazo em aplicações conversacionais
- Criar e integrar tools customizadas aos seus agentes
- Construir sistemas RAG com indexação, embeddings e vector stores
