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

LangChain — это Python-фреймворк для создания приложений на базе искусственного интеллекта: он объединяет языковые модели, инструменты и память в единые цепочки. Через Hubris вы подключаете его к 537 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 и сравнения с LlamaIndex.

Установка LangChain и первые шаги

Установите LangChain через pip — фреймворк работает на Python 3.10 и выше:

pip install langchain langchain-openai

Если вы только начинаете изучать LangChain, минимальный рабочий пример займёт 10 строк кода. 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 537 идентификаторов моделей, доступных в каталоге.

После запуска вы получите ответ модели. Деньги спишутся с рублёвого баланса: минимальное пополнение — 500 ₽ через СБП, банковскую карту или счёт для юридических лиц.

Агенты и LangGraph: строим автономного AI-ассистента

LangChain предлагает два уровня автоматизации: агенты (Agents) — модель сама выбирает инструмент под задачу, и LangGraph — фреймворк для построения многошаговых агентов с ветвлением и состоянием.

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."""
    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. LangGraph расширяет этот подход: он позволяет строить агентов с циклами, условными переходами и параллельными ветками, сохраняя состояние между шагами.

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.

LangChain или LlamaIndex: что выбрать

Новички часто сравнивают LangChain с LlamaIndex, и это правильный вопрос — оба фреймворка работают с LLM, но решают разные задачи:

• LangChain — универсальный фреймворк для любых LLM-приложений: агенты, цепочки, память, вызов инструментов. Он даёт полный контроль над логикой.
• LlamaIndex — специализируется на индексации и поиске по документам (RAG). Если ваша задача — загрузить 100 PDF-файлов и задавать по ним вопросы, LlamaIndex сделает это быстрее «из коробки».

Hubris работает с обоими фреймворками через единый API-ключ — переключение между ними сводится к смене параметра base_url и model.

Какие модели работают с LangChain

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

Все 537 моделей 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 23 бесплатные позиции.

Частые вопросы

Как скачать и установить LangChain?

Установка через pip: pip install langchain langchain-openai. Требуется Python 3.10 или новее. После установки подключение к Hubris занимает три строчки: модель, API-ключ и base_url — полный пример выше в разделе «Установка LangChain и первые шаги».

Чем LangChain отличается от LangGraph?

LangGraph — это надстройка над LangChain для построения сложных агентов с циклами, условными переходами и состоянием. Если LangChain-агент — это линейная цепочка «запрос → инструмент → ответ», то LangGraph-агент может ветвиться: проверил результат → вернулся → вызвал другой инструмент → проверил снова. Устанавливается вместе с LangChain: pip install langgraph.

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 — 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 — 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.

Совместим ли LangChain с LlamaIndex?

Да, вы можете использовать оба фреймворка в одном проекте. LangChain отвечает за логику агентов и цепочек, а LlamaIndex — за индексацию и поиск по документам. Оба подключаются к Hubris через одинаковый base_url и 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.