Bem-vindo ao repositório do Curso LangChain for Beginners! Aqui você encontrará todos os exemplos de código necessários para acompanhar o curso e aprender sobre LangChain do zero. Ao final do curso, você será capaz de criar seus próprios aplicativos com LLM integrado, construir chatbots RAG e automatizar tarefas com IA.
- Python 3.11 ou superior.
- Criar um ambiente virtual e clonar o repositório
- Instalar as dependências presentes no arquivo requirements.txt
- Execute os exemplos de código via interface ou via terminal, conforme sua preferência.
Veja o que você encontrará em cada pasta:
📁 curso-langchain/
├── 📁 00-course-setup/ # Configuração inicial do ambiente
│ ├── SETUP.md # Guia de configuração detalhado
│ └── setup-environment.sh # Script de configuração automática
│
├── 📁 01-langchain/ # Fundamentos do LangChain
│ ├── 01-basic-prompt.ipynb # Introdução a prompts básicos
│ ├── 01-langchain-chat-model.ipynb # Modelos de chat
│ ├── 02-langchain-runnables.ipynb # Conceitos de Runnables
│ ├── 03-langchain-template.ipynb # Templates de prompts
│ ├── 04-langchain-output-parser.ipynb # Parsers de saída
│ ├── 05-langchain-document-loaders.ipynb # Carregadores de documentos
│ ├── 06-langchain-memory.ipynb # Sistemas de memória
│ ├── 07-langchain-text-splitters.ipynb # Divisores de texto
│ ├── 08-langchain-routing.ipynb # Roteamento de chains
│ ├── 09-langchain-embeddings.ipynb # Embeddings e vetorização
│ ├── 10-langchain-vectores.ipynb # Bancos de dados vetoriais
│ ├── 11-langchain-retrievers.ipynb # Sistemas de recuperação
│ ├── 12-langchain-rag.ipynb # RAG (Retrieval Augmented Generation)
│ ├── agent.py # Exemplo de agente básico
│ ├── app.py # Aplicação principal
│ ├── rag_main.py # Implementação RAG principal
│ └── 📁 data/ # Dados de exemplo para exercícios
│
├── 📁 02-langgraph/ # Agentes inteligentes com LangGraph
│ ├── 02-langgraph-exemplo.ipynb # Introdução ao LangGraph
│ ├── 03-langgraph-tools.ipynb # Integração de ferramentas
│ ├── 04-langgraph-memory.ipynb # Memória em grafos
│ ├── 05-langgraph-mcp.ipynb # Model Context Protocol
│ ├── 06-langgraph-acp.ipynb # Agent Communication Protocol
│ ├── MCP.md # Documentação sobre MCP
│ ├── agent-pre-built.py # Agentes pré-construídos
│ ├── acp_agent.py # Agente com ACP
│ └── exemplos de ferramentas: math_server.py, weather.py, pokemon.py, jira.py
│
├── 📁 03-crewia/ # Sistemas multi-agente com CrewAI
│ ├── 01-crew-exemplo.ipynb # Exemplo de crew de agentes
│ ├── requirements.txt # Dependências específicas do CrewAI
│ └── 📁 data/, 📁 db/ # Dados e banco para exercícios
│
├── 📁 helpers/ # Utilitários e helpers
│ ├── 00-llm.ipynb # Configuração base de LLM
│ └── llm.py # Classe helper para LLM
│
├── .env.exemplo # Template de variáveis de ambiente
├── requirements.txt # Dependências do projeto
└── README.md # Este arquivo
- 00-course-setup/ - Configure seu ambiente primeiro
- 01-langchain/ - Aprenda os fundamentos (notebooks 01-12 em sequência)
- 02-langgraph/ - Construa agentes inteligentes
- 03-crewia/ - Explore sistemas multi-agente
- LangChain Básico: Prompts, chains, memória, RAG
- LangGraph: Agentes, ferramentas, MCP, fluxos condicionais
- CrewAI: Coordenação de múltiplos agentes especializados
Q: O que é LangChain?
A: LangChain é um framework que simplifica o processo de criação de aplicações que utilizam modelos de linguagem.
Q: Como configuro meu ambiente?
A: Siga as instruções em 00-course-setup/SETUP.md
Q: Estou tendo problemas ao executar os exemplos, o que faço?
A: Verifique se todas as dependências foram instaladas corretamente e se as variáveis de ambiente estão configuradas.