# pip install langchain langchain-openai
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
# 1) Modell
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 2) Prompt
prompt = ChatPromptTemplate.from_messages( and streaming guide.
---
## Építőkövek, amiket 80%-ban használsz
### 1) Promptok és Kimenet Feldolgozás
- Használd a `ChatPromptTemplate`-et strukturált promptokhoz.
- A kimeneteket parserekkel, például `StrOutputParser` vagy JSON parsert használj típusos válaszokhoz.
```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(
"""
Foglalja össze a következő szöveget 3 pontban:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "A LangChain segít LLM alkalmazások építésében RAG-gal és eszközökkel."})
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
# Dokumentumok előkészítése
texts = .
---
## Prototípustól a gyártásig: lépésről-lépésre terv
### 1. lépés: Határozd meg a felhasználói sztorit
- Ki a felhasználó? Milyen feladatot akar elvégezni?
- Példa: „Egy ügyfélszolgálati ügynök, aki termékkérdéseket válaszol meg belső dokumentumok és friss jegyek alapján.”
### 2. lépés: Válaszd ki a minimális működőképességű stack-et
- Modell: Válassz megfizethető, megbízható modellt (pl. GPT-4o-mini vagy egy frontier nyílt modellt).
- Adatok: Döntsd el, kell-e most RAG. Ha igen, kezdd lokálisan FAISS-szal.
- Bemenet/kimenet: Használj LCEL-t gyors iterációhoz; kerüld a saját ragasztó kódot.
### 3. lépés: Valósíts meg egy tiszta RAG ciklust
- Oszd fel megfelelően a dokumentumokat.
- Indexeld a beágyazásokat.
- Használj promptot kontextussal és hivatkozásokkal.
- Adj be korlátokat a hallucináció elkerüléséhez, ha nincs releváns kontextus.
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
Válaszolj a kérdésre KIZÁRÓLAG az alábbi KONTEXTUS alapján. Ha a válasz nem
található a kontextusban, mondd azt, hogy "Nem tudom." Tüntesd fel a hivatkozott dokumentum ID-kat.
KONTEXTUS:
{context}
KÉRDÉS: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### 5. lépés: Típusos kimenetek és validálás
- Használj `PydanticOutputParser`-t vagy JSON séma alapú validálást az API válaszok struktúrájának biztosításához.
- Ellenőrizd a mezőket a modell eltérésének felismeréséhez.
### 6. lépés: Eszközök és függvényhívás valós feladatokhoz
- Eszközöket csak mértékkel adj hozzá.
- Gyakori eszközök: számológép, web kereső, SQL lekérdező, kód futtató.
- Világosan dokumentáld az eszközök képességeit docstringekben.
### 7. lépés: Megerősítés
- Korlátozd a hívásokat és alkalmazz újrapróbálkozási stratégiákat.
- Időkorlátok és kikapcsolók (circuit breakers).
- Biztonsági szűrők és tartalom ellenőrzések.
### 8. lépés: Értékelés és folyamatos fejlesztés
- Tesztelj arany készletekkel (bemenet → elvárt kimenet).
- Értékeld a válasz hűségét, teljességét és a hivatkozások pontosságát.
- Mérd a lekérdezés találati arányát és késleltetését.
---
## Gyakori minták és buktatók
- Kezdd egyszerűen: láncok az ügynökök előtt. Így kiszámíthatóbb és olcsóbb lesz a fejlesztés.
- Chunkolás fontos: a chunk mérete és átfedése nagyobb hatással lehet a RAG minőségére, mint a modell cseréje.
- Prompt szivárgás: Ne zsúfold tele a rendszer promptokat mindenféle kéréssel, tartsd fókuszáltan.
- Determinizmus: Értékeléshez és kritikus munkafolyamatokhoz állítsd a `temperature=0`-ra.
- Streaming UX: A tokeneket streameld a felhasználói felületre, miközben a rendszer a háttérben előkészíti a kontextust vagy adatokat.
- Strukturált kimenetek: Használj parsereket, hogy az integráció gördülékeny legyen.
---
## Egy Teljes Mini Projekt: Dokumentáció kérdések és válaszok hivatkozásokkal
Ez a példa összeköti a teljes folyamatot: bevitel, RAG, válaszgenerálás és 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) Beviteli lépés
corpus = {
"pricing": "A Pro csomagunk 1 millió kontextus tokent támogat és elsőbbségi támogatást kínál.",
"limits": "Az API híváskorlát Pro felhasználóknak percenként 60 kérést engedélyez.",
"security": "A naplókat 30 napig tároljuk, hacsak az admin nem tiltja le a naplózást.",
}
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) Indexelés
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) Prompt
prompt = ChatPromptTemplate.from_template(
"""
Ön egy támogatási asszisztens. Használja a KONTEXTUST a válaszadáshoz.
Ha bizonytalan, mondja azt, hogy "Nem tudom." Tartalmazza az eredeti forrás ID-kat.
KONTEXTUS:
{context}
KÉRDÉS: {question}
"""
)
# 4) Modell és parser
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) Láncolás összeállítása
rag = (
    RunnableParallel(
        context=retriever,
        question=RunnableLambda(lambda x: x["question"])  # pass-through
    )
    | prompt
    | llm
    | parser
)
# 6) Kérdés feltevése
for chunk in rag.stream({"question": "Mik a Pro felhasználói API híváskorlátok és a naplómegőrzési idő?"}):
    print(chunk, end="", flush=True)