# LangChain на VDS: створення AI-агентів на Python

> LangChain — головний фреймворк для AI-агентів на Python. Встановлення на VDS, підключення до Ollama, створення ланцюжків і перший агент з інструментами.

## Що таке LangChain?

LangChain — Python-фреймворк для побудови застосунків на основі LLM. Надає абстракції для ланцюжків викликів, пам'яті, інструментів та агентів.

## Встановлення

```
python3 -m venv langchain-env
source langchain-env/bin/activate
pip install langchain langchain-community langchain-ollama
pip install python-dotenv chromadb
```

## Підключення до Ollama

```
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="llama3.2", base_url="http://localhost:11434")
response = llm.invoke("Розкажи про переваги VDS")
print(response)
```

## Простий ланцюжок (Chain)

```
from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import OllamaLLM

prompt = ChatPromptTemplate.from_messages([
    ("system", "Ти помічник з хостингу."),
    ("user", "{question}")
])
llm = OllamaLLM(model="llama3.2")
chain = prompt | llm
result = chain.invoke({"question": "Чим VDS відрізняється від хостингу?"})
print(result)
```

## Агент з інструментами

```
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool
from langchain_ollama import OllamaLLM
from langchain import hub

@tool
def get_server_info(query: str) -> str:
    # Повертає інформацію про тарифи VDS
    return "VDS Start 2GB RAM від 299 руб/міс"

llm = OllamaLLM(model="llama3.2", temperature=0)
tools = [get_server_info]
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = executor.invoke({"input": "Який тариф потрібен для AI-агента?"})
print(result["output"])
```

**ReAct-агенти** працюють за схемою: Reason (думати) + Act (діяти). Вони покроково вирішують завдання, викликаючи інструменти в міру потреби.

**Версії:** Використовуйте langchain >= 0.2 з новим синтаксисом LCEL. Старі ланцюжки через LLMChain застаріли.

## Часті помилки

Більшість помилок у LangChain пов'язана не з логікою ланцюжків, а зі швидким розвитком API: модулі переїжджають між пакетами швидше, ніж встигає оновлюватися документація в інтернеті.

### ImportError: cannot import name 'OllamaLLM' from 'langchain\_community.llms'

Інтеграцію з Ollama винесли з `langchain_community` в окремий пакет `langchain-ollama`. Старі приклади в інтернеті імпортують клас із community-модуля, але актуальний клас `OllamaLLM` потрібно імпортувати саме з `langchain_ollama`, як показано вище. Встановлення лише `langchain` без `langchain-ollama` — друга часта причина цієї самої помилки.

### Agent stopped due to iteration limit or time limit.

Саме так виглядає відповідь AgentExecutor, якщо агент не зміг сформувати фінальну відповідь за відведену кількість кроків (за замовчуванням — 15 ітерацій). Це не збій, а захисний механізм від зациклення. Якщо агент регулярно впирається в ліміт, проблема зазвичай у промпті інструменту: агент не розуміє, коли час зупинитися і повернути Final Answer.

## Основні оператори LCEL

| Синтаксис | Що робить |
| --- | --- |
| prompt \| llm | Передає вивід prompt на вхід llm |
| chain.invoke(dict) | Синхронний виклик ланцюжка з параметрами |
| chain.stream(dict) | Потокове виведення токенів у міру генерації |
| chain.batch(\[dict, ...\]) | Паралельна обробка кількох запитів |

## Коли LangChain не підходить

- Завдання — одиничний запит до моделі без ланцюжків і пам'яті: прямий виклик через [Ollama API](https://www.zevshost.net/uk/kb/ollama-lokalnye-llm-vps/) буде коротшим і без зайвих залежностей.
- Команді важлива стабільність API між оновленнями — LangChain змінює інтерфейси помітно частіше, ніж більшість бібліотек такого рівня.
- Потрібна готова рольова модель команди агентів «з коробки» — для цього більше підходить [CrewAI](https://www.zevshost.net/uk/kb/crewai-nastroika/) з його абстракцією ролей.
- Критична продуктивність на кожен запит — шари абстракцій LangChain додають накладні витрати порівняно з прямими викликами API.

## Перевірка, що ланцюжок і агент працюють

```
python3 -c "import langchain, langchain_ollama; print(langchain.__version__)"
ollama list
```

Спочатку переконайтеся, що обидва пакети встановлено і вони сумісні. Потім прогоніть простий ланцюжок без агента (розділ вище) — якщо він повертає змістовний текст, LLM і підключення налаштовані правильно. Тільки після цього переходьте до агента: якщо ReAct-агент видає "Agent stopped due to iteration limit", а простий ланцюжок працює — проблема в описі інструменту, а не в підключенні до моделі.

Ще один момент, який часто упускають: LCEL-ланцюжки за замовчуванням не кешують проміжні результати між викликами. Якщо один і той самий запит до LLM повторюється в різних гілках ланцюжка, він буде виконаний заново щоразу. Для повторюваних підзапитів варто явно підключити кешування на рівні LangChain або зберігати проміжні результати самостійно, особливо якщо модель працює повільно на CPU.

---

Джерело: https://www.zevshost.net/uk/kb/langchain-ai-agenty/
Оновлено: 2026-09-30
