# 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( dan panduan .
---
## Blok Bangunan yang Akan Anda Gunakan 80% dari Waktu
### 1)  dan 
- Gunakan `ChatPromptTemplate` untuk  terstruktur.
-  keluaran dengan `StrOutputParser` atau  JSON untuk respons yang diketik.
`​`​`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(
"""
Ringkas teks berikut dalam 3 poin:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain membantu membangun aplikasi LLM dengan RAG dan alat."})
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
# Siapkan dokumen
texts = .
---
## Dari Prototipe ke Produksi: Cetak Biru Langkah demi Langkah
### Langkah 1: Tentukan Cerita Pengguna
- Siapa penggunanya? Pekerjaan apa yang coba mereka selesaikan?
- Contoh: “Agen dukungan yang menjawab pertanyaan produk dari dokumen internal dan tiket terbaru.”
### Langkah 2: Pilih Tumpukan 
- Model: Pilih model yang harganya wajar dan andal (mis., GPT-4o-mini atau model terbuka perbatasan).
- Data: Tentukan apakah Anda memerlukan RAG sekarang. Jika ya, mulailah dengan FAISS secara lokal.
- I/O: Gunakan LCEL untuk iterasi cepat; hindari kode perekat khusus.
### Langkah 3: Terapkan  RAG 
- Pisahkan dokumen dengan benar.
- Indeks .
-  dengan konteks dan kutipan.
- Tambahkan  untuk menghindari halusinasi saat tidak ada konteks yang relevan ditemukan.
`​`​`python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
Jawab pertanyaan hanya menggunakan KONTEKS di bawah ini. Jika jawabannya tidak
ada dalam konteks, katakan "Saya tidak tahu." Sertakan ID dokumen yang dikutip.
KONTEKS:
{context}
PERTANYAAN: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### Langkah 5: Keluaran yang Diketik dan Validasi
- Gunakan `PydanticOutputParser` atau skema JSON untuk menegakkan struktur untuk respons API.
- Validasi bidang untuk menangkap .
### Langkah 6:  dan Pemanggilan Fungsi untuk Tugas Nyata
- Perkenalkan alat dengan hemat.
- Alat umum: kalkulator, pencarian web,  kueri SQL, pelari kode.
- Jelaskan dengan jelas kemampuan alat dalam .
### Langkah 7: Pengerasan
- Batasi laju dan strategi percobaan ulang.
- Batas waktu dan pemutus sirkuit.
- Filter keamanan dan pemeriksaan konten.
### Langkah 8: Evaluasi & Peningkatan Berkelanjutan
- Uji dengan  (masukan → keluaran yang diharapkan).
- Evaluasi kesetiaan, kelengkapan jawaban, dan akurasi kutipan.
- Ukur laju hit pengambilan dan latensi.
---
## Pola dan Perangkap Umum
- Mulailah dengan sederhana: Rantai sebelum agen. Anda akan mendapatkan prediktabilitas dan biaya yang lebih rendah.
-  penting: Menyetel ukuran/tumpang tindih  dapat mengubah kualitas pengambilan lebih dari pertukaran model.
- Kebocoran : Jangan memasukkan semua yang ada di dapur ke dalam ; jaga agar tetap fokus.
- Determinisme: Atur `temperature=0` untuk evaluasi dan alur kerja penting.
-  UX: Alirkan token ke UI saat sistem lainnya mengambil aset atau memuat konteks.
- Keluaran terstruktur: Gunakan  untuk membuat integrasi hilir tidak menyakitkan.
---
## Proyek Mini Penuh: Tanya Jawab Dokumen Dengan Kutipan
Contoh ini mengikat semuanya bersama-sama: penyerapan, RAG, pembuatan jawaban, dan .
`​`​`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) Serap
corpus = {
"pricing": "Paket Pro kami mendukung 1 juta token konteks dan mencakup dukungan prioritas.",
"limits": "Batas laju API adalah 60 permintaan per menit untuk pengguna Pro.",
"security": "Kami menyimpan log selama 30 hari kecuali pencatatan dinonaktifkan oleh 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) Indeks
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) 
prompt = ChatPromptTemplate.from_template(
"""
Anda adalah asisten dukungan. Gunakan KONTEKS untuk menjawab.
Jika tidak yakin, katakan "Saya tidak tahu." Sertakan kutipan ID sumber.
KONTEKS:
{context}
PERTANYAAN: {question}
"""
)
# 4) Model dan 
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) Susun rantai
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # pass-through
)
| prompt
| llm
| parser
)
# 6) Ajukan pertanyaan
for chunk in rag.stream({"question": "Apa saja batasan tarif Pro dan penyimpanan log?"}):
print(chunk, end="", flush=True)