Giới thiệu về LangChain

Xậy dựng một Smarter LLM Apps với Chains, Agents, and Tools

Aug 04, 2025

LangChain là gì?

Thanks for reading! This post is public so feel free to share it.

Một framework để phát triển các ứng dụng có sử dụng LLM models. LangChain giúp việc phát triển đơn giản hơn bằng cách hỗ trợ:

Chain – chuỗi các bước xử lý đầu vào → prompt → LLM → xử lý kết quả
Agent – LLM tự quyết định hành động tiếp theo dựa trên ngữ cảnh
Tool – chức năng bên ngoài mà Agent có thể gọi (vd: search, tính toán, gọi API)
Memory – lưu lại trạng thái cuộc trò chuyện hoặc tiến trình công việc

LangChain cung cấp một giao diện chuẩn (standard interface) cho các mô hình ngôn ngữ (LLM) và các công nghệ liên quan như embedding model và vector store. Nhờ đó, lập trình viên có thể dễ dàng tích hợp và thay đổi giữa hàng trăm nhà cung cấp khác nhau mà không cần chỉnh sửa nhiều phần code. Điều này giúp việc kiểm thử, so sánh hiệu năng giữa các LLM trở nên đơn giản hơn, tất cả đều thông qua cùng một giao diện thống nhất.

Kiến trúc của LangChain

Source: https://python.langchain.com/docs/concepts/architecture/

langchain-core

Cung cấp interface hoặc abstract class cho các module bên dưới như chat models, vector stores, tools and more

langchain

langchain-community

langgraph

Phẩn mở rộng của LangChain, xây dựng các ứng dụng phức tạp, nhiều trạng thái, logic phức tạp. LangGraph mô hình hoá cách bước bằng các khái niệm edges và nodes trong một graph.

Thanks for reading! This post is public so feel free to share it.

langserve

Giúp việc deploy LangChain thành cách REST API

LangSmith

Debug, test và monitor các ứng dụng LLM.

Một ví dụ LLM đơn giản bằng chat models and prompt templates

Cài đặt

pip install langchain

Chat models

Bản thân LangChain không có chứa bất kì language model nào, khi cần sử dụng một model, chúng ta phải cài đăt từ provider tương ứng. Trong ví dụ này chúng ta sử dụng Google-GenAI model, cài đặt bằng cách

pip install -qU "langchain[google-genai]"

Sau đó

import getpass
import os

os.environ["GOOGLE_API_KEY"] = "...." # Your google api key

from langchain.chat_models import init_chat_model

model = init_chat_model("gemini-2.5-flash", model_provider="google_genai")

Chúng ta gọi hàm invoke với các messages là tham số

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage("Translate the following from English into Italian"),
    HumanMessage("hi!"),
]

model.invoke(messages)

## HumanMessage: Message từ con người
## SystemMessage: Message tạo ra từ hệ thống

Output: AIMessage(content='Ciao!', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 3, 'prompt_tokens': 20, 'total_tokens': 23, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4o-mini-2024-07-18', 'system_fingerprint': 'fp_0705bf87c0', 'finish_reason': 'stop', 'logprobs': None}, id='run-32654a56-627c-40e1-a141-ad9350bbfd3e-0', usage_metadata={'input_tokens': 20, 'output_tokens': 3, 'total_tokens': 23, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}})

Prompt Templates

Thông thường, bạn sẽ truyền một danh sách các message vào LLM — bao gồm cả input từ người dùng và các thông điệp logic do ứng dụng tạo ra. Phần logic này thường được trích xuất từ raw user input, sau đó trải qua các bước chuyển đổi (transformation) để tạo thành các message phù hợp. Quá trình này thường bao gồm việc thêm system message, lấy user message, rồi định dạng lại tất cả theo một template cố định trước khi gửi vào LLM.

Prompt template trong LangChain hỗ trợ bạn làm việc này bằng cách lấy user input và trả về prompt data sau đó được đưa vào LLM

Trong ví dụ sau, chúng ta tạo một prompt template với 2 biến, language (Ngôn ngữ để dich) và text (nội dung cần dịch)

from langchain_core.prompts import ChatPromptTemplate

system_template = "Translate the following from English into {language}"

prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)
prompt = prompt_template.invoke({"language": "Italian", "text": "hi!"})

print(prompt)

# output: ChatPromptValue(messages=[SystemMessage(content='Translate the following from English into Italian', additional_kwargs={}, response_metadata={}), HumanMessage(content='hi!', additional_kwargs={}, response_metadata={})])

Sau đó bỏ vô model trong hàm .invoke

response = model.invoke(prompt)
print(response.content) # Ciao!

Chúng ta vừa điểm qua kiến trúc tổng quan của LangChain và cách xây dựng một ứng dụng LLM đơn giản với language model và prompt template. Trong các bài viết tiếp theo, mình sẽ đi sâu vào các khái niệm cốt lõi hơn của LangChain. Nếu bạn có bất kỳ câu hỏi nào, đừng ngần ngại để lại bình luận!

Quang

Discussion about this post