# 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( και οδηγός streaming.
---
## Δομικά στοιχεία που θα χρησιμοποιείτε το 80% του χρόνου
### 1) Προτροπές και ανάλυση εξόδου
- Χρησιμοποιήστε το `ChatPromptTemplate` για δομημένες προτροπές.
- Αναλύστε τις εξόδους με `StrOutputParser` ή JSON parsers για πληκτρολογημένες αποκρίσεις.
```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(
"""
Συνοψίστε το ακόλουθο κείμενο σε 3 κουκκίδες:
---
{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 = .
---
## Από το πρωτότυπο στην παραγωγή: Ένα βήμα προς βήμα σχέδιο
### Βήμα 1: Ορίστε την ιστορία χρήστη
- Ποιος είναι ο χρήστης; Τι προσπαθεί να κάνει;
- Παράδειγμα: «Ένας agent υποστήριξης που απαντά σε ερωτήσεις προϊόντων από εσωτερικά έγγραφα και πρόσφατα δελτία υποστήριξης».
### Βήμα 2: Επιλέξτε την ελάχιστη βιώσιμη στοίβα
- Μοντέλο: Επιλέξτε ένα μοντέλο με λογική τιμή και αξιόπιστο (π.χ., GPT-4o-mini ή ένα frontier open model).
- Δεδομένα: Αποφασίστε αν χρειάζεστε RAG τώρα. Αν ναι, ξεκινήστε με το FAISS τοπικά.
- I/O: Χρησιμοποιήστε το LCEL για γρήγορη επανάληψη. Αποφύγετε τον προσαρμοσμένο κώδικα κόλλας.
### Βήμα 3: Εφαρμόστε έναν καθαρό βρόχο RAG
- Διαχωρίστε σωστά τα έγγραφα.
- Ευρετηριάστε τις ενσωματώσεις.
- Προτρέψτε με περιεχόμενο και παραπομπές.
- Προσθέστε μια δικλείδα ασφαλείας για να αποφύγετε την ψευδαίσθηση όταν δεν βρεθεί σχετικό περιεχόμενο.
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
Απαντήστε στην ερώτηση χρησιμοποιώντας ΜΟΝΟ το ΠΕΡΙΕΧΟΜΕΝΟ παρακάτω. Αν η απάντηση δεν είναι
στο περιεχόμενο, πείτε «Δεν γνωρίζω». Συμπεριλάβετε τα αναφερόμενα ID εγγράφων.
ΠΕΡΙΕΧΟΜΕΝΟ:
{context}
ΕΡΩΤΗΣΗ: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### Βήμα 5: Πληκτρολογημένες έξοδοι και επικύρωση
- Χρησιμοποιήστε το `PydanticOutputParser` ή το σχήμα JSON για να επιβάλετε τη δομή για τις αποκρίσεις API.
- Επικυρώστε τα πεδία για να εντοπίσετε την παρέκκλιση του μοντέλου.
### Βήμα 6: Εργαλεία και κλήση συναρτήσεων για πραγματικές εργασίες
- Εισαγάγετε εργαλεία με φειδώ.
- Συνήθη εργαλεία: αριθμομηχανή, αναζήτηση στον ιστό, εκτελεστής ερωτημάτων SQL, εκτελεστής κώδικα.
- Περιγράψτε με σαφήνεια τις δυνατότητες των εργαλείων στις συμβολοσειρές τεκμηρίωσης.
### Βήμα 7: Σκληραγώγηση
- Στρατηγικές περιορισμού ρυθμού και επανάληψης.
- Χρονικά όρια και διακόπτες κυκλώματος.
- Φίλτρα ασφαλείας και έλεγχοι περιεχομένου.
### Βήμα 8: Αξιολόγηση & Συνεχής βελτίωση
- Δοκιμάστε με χρυσά σύνολα δεδομένων (είσοδος → αναμενόμενη έξοδος).
- Αξιολογήστε την πιστότητα, την πληρότητα της απάντησης και την ακρίβεια των παραπομπών.
- Μετρήστε το ποσοστό επιτυχίας ανάκτησης και την καθυστέρηση.
---
## Συνήθη μοτίβα και παγίδες
- Ξεκινήστε απλά: Αλυσίδες πριν από τους agents. Θα έχετε προβλεψιμότητα και χαμηλότερο κόστος.
- Το Chunking έχει σημασία: Η ρύθμιση του μεγέθους/επικάλυψης του chunk μπορεί να αλλάξει την ποιότητα ανάκτησης περισσότερο από την αλλαγή του μοντέλου.
- Διαρροή προτροπής: Μην γεμίζετε τον νεροχύτη στις προτροπές συστήματος. Κρατήστε τις εστιασμένες.
- Ντετερμινισμός: Ορίστε `temperature=0` για αξιολόγηση και κρίσιμες ροές εργασιών.
- Streaming UX: Κάντε stream tokens στο UI ενώ το υπόλοιπο σύστημα ανακτά στοιχεία ή προφορτώνει το περιεχόμενο.
- Δομημένες έξοδοι: Χρησιμοποιήστε parsers για να κάνετε την ενσωμάτωση downstream ανώδυνη.
---
## Ένα πλήρες μίνι έργο: Ερωτήσεις & Απαντήσεις εγγράφων με παραπομπές
Αυτό το παράδειγμα συνδέει τα πάντα: κατάποση, RAG, δημιουργία απαντήσεων και streaming.
```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)