# pip install langchain langchain-openai
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 1) Model
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 2) Prompt
prompt = ChatPromptTemplate.from_messages( and streaming guide.
---
## እንደተጠቀሙበት 80% የሚውሰዱ መጠንቀቅ እና የሚያደርጉ እቃዎች
### 1) ማሰናጃና ውጤት አቀማመጥ
- ለተቀደሰ ማሰናጃ እንደ `ChatPromptTemplate` ይጠቀሙ።
- ውጤቶችን `StrOutputParser` ወይም JSON ፓርሰሮችን በተጠቃሚ ቅጽ ለመተንተን ይጠቀሙ።
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_template(
"""
ከሚከተለው ጽሑፍ በ3 ነጥቦች ማጠቃለያ ያድርጉ:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain ለRAG እና መሣሪያዎች LLM መተግበሪያዎችን ለማሰራት እንደሚረዳ ነው."})
print(summary)

# pip install faiss-cpu tiktoken
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
# ሰነዶችን ዝግጅት
texts = .
---
## ከአንደኛ እስከ መፍትሄ: የእድገት እገዛ እቅድ
### መስፈርቱ 1: የተጠቃሚው ታሪክ መግለጽ
- ተጠቃሚው ማን ነው? የሚደረገው ሥራ ምንድን ነው?
- ምሳሌ፥ “የውስጥ ሰነዶችና አዳዲስ ትኬቶች መሠረት ለምርት ጥያቄዎች የሚሰጥ የድጋፍ ኤጅንት።”
### መስፈርቱ 2: አንደኛው የሚገባ ስታክ መምረጥ
- ሞዴል: ዋጋ በሚገባ የተከለ እና ታማኝ ሞዴል ይምረጡ (ለምሳሌ፥ GPT-4o-mini ወይም አንደኛው ክፍተት ክፍተት ሞዴል). 
- መረጃ፥ ኢከና ለRAG ስለሚያስፈልግ ይወስኑ። ከፍተኛ I/O እንዲሆን LCEL አጠቃቀም እና የተለያዩ ኮድ ኮድ አትጠቀሙ።
- I/O: አድርጉ፣ አልመስለውም ለመፈጠር。
### መስፈርቱ 3: ጥሩ የRAG ክለብ ማድረግ
- ሰነዶችን በትክክል አካፋፈል።
- እቃዎችን እንደ አውጭ አደርጉ።
- ከውስጥ ማግኘትና ምንጮች ጋር መሰረት ልክ አድርጉ።
- ሲማላይኔሽን መከላከያ ለማድረግ መከላከያ ያክሉ።
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
በተካተተው ሁኔታ ብቻ ጥያቄውን መልስ። ከሆነ መልስ ካልተገኘ እንደ "አላውቅም" ንገር። የሰነድ መታወቂያዎችን አካቶ ያስገቡ።
CONTEXT:
{context}
QUESTION: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### መስፈርቱ 5: የተካተተ ውጤቶች እና ማረጋገጫ
- ለAPI እንዲቀጥሉ `PydanticOutputParser` ወይም JSON ስኬማ ይጠቀሙ።
- መረጃዎችን ይሙከሩ ሞዴል ሲመቀም እንዳይቀር።
### መስፈርቱ 6: እርስዎ ስራዎችን ለመፈጸም መሣሪያዎችን እና ፋንክሽኖችን ጥሪ
- መሣሪያዎችን በትክክል አስገባብሰው።
- ተለመዱ መሣሪያዎች፡ ካልኩሌተር፣ ድረገፅ ፍለጋ፣ SQL ጥያቄ አስኪያጅ፣ ኮድ አሳሽ።
- መሣሪያዎችን ከመለያ በቅርጸ ጽሑፍ በኩል ይግለጹ።
### መስፈርቱ 7: ጠነኛ መሆን
- የተጠናከረ እና ተደጋጋሚ ልምዶችን ልዩ ያደርጉ።
- ጊዜ የሚወስድ እና ማቋረጫ መጠበቂያዎች።
- የደህንነት ፊልተሮችና የይዘት ምርመራዎች።
### መስፈርቱ 8: ግምገማና ቀጣይ ማሻሻያ
- በወርሃዊ ውጤቶች (አውጭ → የተጠበቀ ውጤት) ሙከራዎች ያድርጉ።
- ታማኝነትን፣ የመልስ ተሟላነትና የምንጭ ትክክለኛነትን ይገምግሙ።
- የማግኘት ደረጃና ጊዜ ያሰናበት መጠን ይመልከቱ።
---
## የሚታወቁ ፍርምርሞችና ጉዳዮች
- ቀላል ጀምሩ: ከኤጀንትዎች በፊት ቅርንጫፎችን ያስተካክሉ። ይህ እይታ ተስማሚነትና ዝቅተኛት ወጪ ያሳያል።
- ስለሚያስፈልገው ቅርንጫፍ መጠን/ትርጉም ውስጥ ጥራት ከሞዴሉ አዲስ ለውጥ በላይ ይለዋዋጣል።
- የማሰረት ብረት: በስርዓተ ሥርዓት ማሰናጃና እየተጠቀሙ ሁሉንም አትሞሉ፤ ትክክለኛ ቁጥር አሳስቢት።
- የትክክለኛነት ማሰተባበሪያ፡ ዋጋውን ለማስመልከት `temperature=0` ያዘጋጁ።
- ከተንሳፋፊ ግንኙነት: ሲስተሙ ተመልከት እንደሚወሰድ በእንቁላል ውስጥ ተላልፎ ይሰጣል።
- የተቀደሰ ውጤቶች: ማዘጋጃ ተቋማት ለቀጣዮች እና ለሌሎች አካላት ምንም እንዳያስቸግር በፓርሰሮች ይተግብሩ።
---
## በሙሉ አንድ ትንሽ ፕሮጀክት: በሰነዶች እና ምንጮች ጥያቄና መልስ ከተካተተው
ይህ ምሳሌ ሁሉንም ያገናኝ: እንከተት፣ RAG፣ መልስ ፍጠራና ተንሳፋፊነት።
```python
# pip install langchain langchain-openai faiss-cpu tiktoken
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableParallel, RunnableLambda
# 1) መቀበያ
corpus = {
"pricing": "የPro እቅድ 1M የማህበረሰብ ቦታ ቶክኖችን ይደግፋል፣ እና የቅድሚያ ድጋፍ አለው።",
"limits": "የAPI የመጠን አገዛዝ ለPro ተጠቃሚዎች በደቂቃ 60 ጥያቄዎች ነው።",
"security": "እኛ ሎጎችን ለ30 ቀናት እንቀመጣለን ካልተቋረጠ በአድሚን።",
}
splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
all_chunks, ids = [], []
for doc_id, text in corpus.items:
for i, chunk in enumerate(splitter.split_text(text)):
all_chunks.append(chunk)
ids.append(f"{doc_id}-{i}")
# 2) መመዝገቢያ
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) ማሰናጃ
prompt = ChatPromptTemplate.from_template(
"""
እርዳታ አገልጋይ ነህ። ለመልስ ከታች ባለው CONTEXT ጥቅም አድርግ።
ካልታሰረብስ ከሆነ "አላውቅም" ብለህ ንገር። የምንጮች መታወቂያዎችን አካቶ ያስገቡ።
CONTEXT:
{context}
QUESTION: {question}
"""
)
# 4) ሞዴል እና ፓርሰር
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) ሰንሰለት ማዋቀር
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # በኰር እና ማሳያ
)
| prompt
| llm
| parser
)
# 6) ጥያቄ ማቅረብ
for chunk in rag.stream({"question": "የPro ደረጃ ገደቦች እና የሎግ አሰበሰበ ስለምንድን ናቸው?"}):
print(chunk, end="", flush=True)