LangChain из России: как подключить нейросети к Python-проекту через API

LangChain — это Python-фреймворк, который объединяет языковые модели, инструменты и память в единые цепочки. Через Hubris вы подключаете его к 543 нейросетям с оплатой в рублях — достаточно российской карты или СБП, зарубежный счёт не нужен. В этой статье разберём установку, подключение и несколько рабочих сценариев: от простого чата до агента с памятью.

Что такое LangChain и для чего он нужен

LangChain — open-source-фреймворк на Python (и JavaScript), созданный для разработки приложений на базе больших языковых моделей. Его основная задача — превратить одиночный вызов модели в многошаговый конвейер: модель думает, вызывает инструменты, читает документы, запоминает контекст.

Ключевые возможности LangChain:

• Цепочки (Chains) — последовательные вызовы: ответ модели → парсинг → запрос к внешнему API → финальный ответ;
• Агенты (Agents) — модель сама решает, какой инструмент вызвать: поиск в базе знаний, калькулятор, веб-поиск, выполнение кода;
• Память (Memory) — сохранение истории диалога и контекста между запросами;
• RAG (Retrieval-Augmented Generation) — поиск по документам и генерация ответа на их основе;
• Интеграции — из коробки: SQL-базы, векторные хранилища, веб-поиск, файлы.

LangChain не привязан к конкретному провайдеру. Вы можете использовать любую модель, которая отдаёт OpenAI-совместимый API, — именно так Hubris и работает.

Быстрый старт: подключаем Hubris к LangChain

Установите пакеты:

pip install langchain langchain-openai

Теперь создайте файл app.py:

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

llm = ChatOpenAI(
    model="anthropic/claude-sonnet-5",
    api_key="sk-gw-YOUR_KEY",
    base_url="https://api.hubris.pw/v1",
)

response = llm.invoke([
    SystemMessage(content="Ты — полезный ассистент."),
    HumanMessage(content="Объясни, что такое LangChain, в трёх предложениях.")
])

print(response.content)

Параметры подключения:

• base_url — https://api.hubris.pw/v1 (обязательно с /v1);
• api_key — ключ, который вы создаёте в личном кабинете Hubris;
• model — любой из 543 идентификаторов моделей, доступных в каталоге.

После запуска вы получите ответ модели. Деньги спишутся с рублёвого баланса: минимальное пополнение — 300 ₽ через СБП, банковскую карту или счёт для юридических лиц.

Агенты, память и RAG: что построить на LangChain

Агент с поиском по документам

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

@tool
def search_docs(query: str) -> str:
    """Поиск по внутренней документации."""
    # Здесь — вызов вашего поискового индекса
    return f"Результаты по запросу «{query}»: ..."

llm = ChatOpenAI(
    model="openai/gpt-5.6-sol",
    api_key="sk-gw-YOUR_KEY",
    base_url="https://api.hubris.pw/v1",
)

agent = create_react_agent(llm, [search_docs])
result = agent.invoke({
    "messages": [{"role": "user", "content": "Найди инструкцию по установке"}]
})

Агент сам вызовет инструмент search_docs, получит результат и сформулирует ответ.

Цепочка с памятью

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory

llm = ChatOpenAI(
    model="google/gemini-3.7-flash",
    api_key="sk-gw-YOUR_KEY",
    base_url="https://api.hubris.pw/v1",
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "Ты — ассистент. Отвечай на русском."),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

chain = prompt | llm

store = {}
def get_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

with_history = RunnableWithMessageHistory(
    chain, get_history,
    input_messages_key="input",
    history_messages_key="history",
)

response = with_history.invoke(
    {"input": "Меня зовут Алексей."},
    config={"configurable": {"session_id": "user-1"}}
)

Модель запомнит имя и использует его в следующих сообщениях той же сессии.

Какие модели работают с LangChain

LangChain не накладывает ограничений — любая модель Hubris с chat-интерфейсом совместима. Вот несколько популярных вариантов:

Модель	Вход (₽/млн токенов)	Выход (₽/млн токенов)	Для чего
Claude Sonnet 5	252,73	1 263,61	Агенты, сложный код
GPT-5.6 Sol	252,73	1 263,61	Универсальные задачи
Gemini 3.7 Flash	94,78	473,86	Быстрый RAG, чат-боты
GPT-5 Mini	31,60	252,73	Простые агенты
GPT-5 Nano	6,32	50,55	Классификация, роутинг

Все 543 модели доступны через один API-ключ — переключение между ними сводится к смене параметра model в коде. Для RAG и семантического поиска также доступны модели эмбеддингов, включая 22 бесплатные позиции.

Частые вопросы

Нужна ли зарубежная карта для работы с LangChain через Hubris?

Нет. Hubris принимает оплату в рублях: банковская карта российского банка, СБП или счёт для юридических лиц. Пополнили баланс от 300 ₽ — и API работает.

Чем Hubris отличается от прямого подключения LangChain к зарубежным API?

Зарубежные сервисы требуют карту иностранного банка и биллинг-аккаунт в долларах. Hubris берёт оплату с вас в рублях, а на балансе уже рубли — не нужно думать о валютных конвертациях и блокировках.

Работают ли потоковые ответы (streaming)?

Да. Параметр streaming=True в ChatOpenAI передаёт SSE-поток от Hubris напрямую в LangChain — токены появляются на экране по мере генерации, без ожидания полного ответа.

Сколько стоит один запрос через LangChain?

Стоимость зависит только от модели и объёма токенов — Стоимость зависит только от модели и объёма токенов — LangChain сам по себе не увеличивает стоимость. Например, развёрнутый ответ через GPT-5 Mini стоит около 0,50 ₽, через Gemini 3.7 Flash — примерно 0,20 ₽.

Можно ли использовать LangChain вместе с Dify или n8n?

LangChain — библиотека для кода, Dify — low-code-платформа, n8n — инструмент автоматизации. Они решают разные задачи, и Hubris работает со всеми тремя через единый API-ключ.

Если вы только начинаете работу с нейросетями, прочитайте также как выбрать LLM под задачу и гайд по Tool calling — вызов функций через API напрямую связан с тем, как LangChain-агенты взаимодействуют с инструментами.