# 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.
---
## لبنات البناء التي ستستخدمها بنسبة 80٪ من الوقت
### 1) المطالبات وتحليل الإخراج
- استخدم `ChatPromptTemplate` للمطالبات المنظمة.
- قم بتحليل المخرجات باستخدام `StrOutputParser` أو محللات JSON للحصول على استجابات مكتوبة.
```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(
"""
لخص النص التالي في 3 نقاط:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain helps build LLM apps with RAG and tools."})
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
# Prepare documents
texts = .
---
## من النموذج الأولي إلى الإنتاج: مخطط تفصيلي خطوة بخطوة
### الخطوة 1: تحديد قصة المستخدم
- من هو المستخدم؟ ما هي الوظيفة التي يحاولون إنجازها؟
- مثال: "وكيل دعم يجيب على أسئلة المنتج من المستندات الداخلية والتذاكر الحديثة."
### الخطوة 2: اختيار الحد الأدنى من المكدس القابل للتطبيق
- النموذج: اختر نموذجًا موثوقًا به وبأسعار معقولة (مثل GPT-4o-mini أو نموذج مفتوح حدودي).
- البيانات: قرر ما إذا كنت بحاجة إلى RAG الآن. إذا كانت الإجابة بنعم، فابدأ بـ FAISS محليًا.
- الإدخال / الإخراج: استخدم LCEL للتكرار السريع؛ تجنب التعليمات البرمجية اللاصقة المخصصة.
### الخطوة 3: تنفيذ حلقة RAG نظيفة
- قسّم المستندات بشكل صحيح.
- فهرسة التضمينات.
- اطلب مع السياق والاقتباسات.
- أضف حاجز حماية لتجنب الهلوسة عند عدم العثور على سياق ذي صلة.
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
أجب عن السؤال باستخدام السياق أدناه فقط. إذا كانت الإجابة ليست
في السياق، قل "لا أعرف". قم بتضمين معرفات المستندات المقتبسة.
CONTEXT:
{context}
QUESTION: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### الخطوة 5: المخرجات المكتوبة والتحقق من الصحة
- استخدم `PydanticOutputParser` أو مخطط JSON لفرض بنية لاستجابات API.
- تحقق من صحة الحقول للقبض على انحراف النموذج.
### الخطوة 6: الأدوات واستدعاء الوظائف للمهام الحقيقية
- أدخل الأدوات باعتدال.
- الأدوات الشائعة: آلة حاسبة، بحث في الويب، منفذ استعلام SQL، مشغل التعليمات البرمجية.
- وصف بوضوح قدرات الأداة في سلاسل التوثيق.
### الخطوة 7: التصلب
- تحديد المعدل واستراتيجيات إعادة المحاولة.
- المهلات وقواطع الدائرة.
- مرشحات السلامة وفحوصات المحتوى.
### الخطوة 8: التقييم والتحسين المستمر
- اختبر باستخدام مجموعات البيانات الذهبية (إدخال ← إخراج متوقع).
- قم بتقييم الإخلاص واكتمال الإجابة ودقة الاقتباس.
- قم بقياس معدل الوصول إلى الاسترجاع ووقت الاستجابة.
---
## الأنماط الشائعة والمآزق
- ابدأ ببساطة: سلاسل قبل الوكلاء. ستحصل على القدرة على التنبؤ وتكلفة أقل.
- التقطيع مهم: يمكن أن يؤدي ضبط حجم الجزء / التداخل إلى تغيير جودة الاسترجاع أكثر من تبديل النموذج.
- تسرب المطالبة: لا تحشو حوض المطبخ في مطالبات النظام؛ حافظ عليها مركزة.
- الحتمية: اضبط `temperature=0` للتقييم وسير العمل الحرج.
- تجربة المستخدم المتدفقة: قم بتدفق الرموز إلى واجهة المستخدم بينما يقوم بقية النظام بجلب الأصول أو التحميل المسبق للسياق.
- المخرجات المنظمة: استخدم المحللات لجعل التكامل في اتجاه مجرى النهر سهلاً.
---
## مشروع صغير كامل: أسئلة وأجوبة حول المستندات مع الاقتباسات
يربط هذا المثال كل شيء معًا: الاستيعاب و RAG وتوليد الإجابات والبث.
```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) Ingest
corpus = {
"pricing": "Our Pro plan supports 1M context tokens and includes priority support.",
"limits": "The API rate limit is 60 requests per minute for Pro users.",
"security": "We store logs for 30 days unless logging is disabled by the admin.",
}
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) Index
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) Prompt
prompt = ChatPromptTemplate.from_template(
"""
You are a support assistant. Use the CONTEXT to answer.
If unsure, say "I don't know." Include citations of source IDs.
CONTEXT:
{context}
QUESTION: {question}
"""
)
# 4) Model and parser
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) Compose chain
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # pass-through
)
| prompt
| llm
| parser
)
# 6) Ask a question
for chunk in rag.stream({"question": "What are Pro rate limits and log retention?"}):
print(chunk, end="", flush=True)