LangChain للمبتدئين: ابنِ أول وكيل ذكاء اصطناعي لك

LangChain هو أكثر إطار عمل شيوعاً لبناء تطبيقات الذكاء الاصطناعي في بيئة الإنتاج. إذا كنت تستخدم OpenAI API مباشرةً، فإن LangChain سيرفعك إلى المستوى التالي.

ما هو LangChain؟

LangChain إطار عمل مفتوح المصدر بلغة Python (وJavaScript) يُبسّط بناء التطبيقات باستخدام نماذج اللغة الكبيرة.

المشكلات التي يحلّها:

• منح الذكاء الاصطناعي ذاكرة بين المحادثات
• ربط الذكاء الاصطناعي بمستنداتك وقواعد بياناتك
• بناء وكلاء باستخدام أدوات (بحث على الويب، آلة حاسبة، واجهات برمجية)
• ربط استدعاءات متعددة للذكاء الاصطناعي في خطوط معالجة

التثبيت

pip install langchain langchain-openai langchain-community chromadb python-dotenv

السلسلة الأولى

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(model="gpt-4o-mini", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system", "أنت مساعد ذكاء اصطناعي مفيد. أعطِ إجابات دقيقة وموجزة."),
    ("user", "{question}")
])

chain = prompt | model | StrOutputParser()
result = chain.invoke({"question": "ما هو LangChain؟"})
print(result)

إضافة الذاكرة

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

model = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
    ("system", "أنت مساعد مفيد."),
    MessagesPlaceholder(variable_name="history"),
    ("user", "{input}")
])

chain = prompt | model
history = []

def chat(message: str) -> str:
    response = chain.invoke({"history": history, "input": message})
    history.append(HumanMessage(content=message))
    history.append(AIMessage(content=response.content))
    return response.content

print(chat("مرحباً، اسمي أحمد"))
print(chat("ما اسمي؟"))  # يتذكر!

نظام RAG: الذكاء الاصطناعي يجيب من مستنداتك

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

documents = [
    Document(page_content="LearnGeni تقدم 30 دليلاً في الذكاء الاصطناعي بـ 5$ لكل منها."),
    Document(page_content="يحصل المستخدمون على وصول مدى الحياة بعد الشراء."),
]

embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template("""
أجب بناءً على السياق:

السياق: {context}
السؤال: {question}
""")

model = ChatOpenAI(model="gpt-4o-mini")
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt | model
)

result = chain.invoke("كم تكلف أدلة LearnGeni؟")
print(result.content)

أول وكيل باستخدام الأدوات

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """يحصل على طقس مدينة."""
    return f"طقس {city}: 25 درجة، مشمس"

@tool
def calculate(expression: str) -> str:
    """يحسب عملية رياضية."""
    try:
        return str(eval(expression))
    except:
        return "خطأ في الحساب"

tools = [get_weather, calculate]
model = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = ChatPromptTemplate.from_messages([
    ("system", "أنت مساعد يمكنه استخدام الأدوات."),
    ("user", "{input}"),
    MessagesPlaceholder(variable_name="agent_scratchpad"),
])

agent = create_tool_calling_agent(model, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = executor.invoke({"input": "ما طقس القاهرة؟ وكم يساوي 15 × 23؟"})
print(result["output"])

هل تريد تعلم LangChain من الصفر حتى المستوى المتقدم؟ الدليل الكامل من LearnGeni يتضمن مشاريع حقيقية وأفضل الأنماط لعام 2026. عرض جميع الأدلة.