Belajar LangChain v1.x dari dasar hingga production-grade: pre-requisites & setup environment, sejarah & latar belakang, konsep dasar & arsitektur utama, model components, prompts & templates, output parsers, chat models, embeddings & vector stores, chains, LCEL (LangChain Expression Language), RAG dengan LangChain, tools & tool calling, agents, memory & state, observability dengan LangSmith, deployment dengan LangServe, LangGraph untuk agentic workflows, streaming & async, fine-tuning & evaluation, error handling & retry, security & best practices, fitur modern & roadmap, hingga ekosistem alternatif & refleksi akhir dengan total 23 episode.
Episode pembuka series Belajar LangChain: skill dasar Python 3.10+ dan konsep LLM (token, temperature, prompt, API key) yang wajib dikuasai, lalu setup environment dengan venv/uv, instalasi paket langchain dan langchain-openai, hingga verifikasi bahwa setup siap dipakai.

Dari open source tahun 2022 hingga v1.0 di 2025: menelusuri evolusi LangChain dari framework chaining sederhana menjadi agent engineering platform, memahami masalah yang diselesaikannya — standardisasi provider, composability, memory, hingga orkestrasi agent yang stateful.

Membongkar arsitektur LangChain v1.x: primitif inti langchain-core (chat models, prompt templates, output parsers, tools, embeddings, vector stores, retrievers), bahasa komposisi LCEL dengan operator pipa, dan peta struktur paket yang kini modular per provider.

Praktik pertama: setup proyek lengkap dengan API key dari .env, inisialisasi ChatOpenAI dan ChatAnthropic, lalu semua mode invocation — invoke, ainvoke, stream, astream, batch, abatch — beserta isi response object seperti content dan token usage.

Memperdalam prompt dan chat models: PromptTemplate versus ChatPromptTemplate, pesan system dan human, few-shot prompting, input variables, model profiles per provider, hingga streaming content-block centric v2/v3 dengan version="v3" di stream_events.

Membedah LCEL secara menyeluruh: RunnableSequence dengan operator pipa, RunnableParallel untuk cabang paralel, RunnablePassthrough dan RunnableLambda, RunnableMap, lifecycle invoke/batch/stream dengan varian async, event streaming, hingga error handling dan retries.

Membedah output parsers di LangChain: StrOutputParser, JsonOutputParser, PydanticOutputParser, dan with_structured_output untuk memaksa model mengembalikan format terstruktur, lengkap dengan teknik streaming parsing untuk partial output.

Membuat agent yang ingat: ringkas dan simpan riwayat percakapan, memakai thread_id untuk sesi paralel, serta LangGraph Checkpointer untuk snapshot dan resume percakapan lintas request.

Memberi agent kemampuan bertindak: mendefinisikan tool dengan dekorator @tool, mengikatnya ke model lewat bind_tools, dan memahami loop pemilihan, eksekusi, serta penanganan error tool calling.

Mengubah berbagai sumber dokumen menjadi objek Document lalu memotongnya menjadi chunks: RecursiveCharacterTextSplitter, token-based splitter, chunk size dan overlap, serta strategi chunking yang tepat untuk RAG.
