# 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( na mwongozo wa utiririshaji.
---
## Vitalu vya Ujenzi Utakavyotumia 80% ya Muda
### 1) Uhamasishaji na Uchambuzi wa Matokeo
- Tumia `ChatPromptTemplate` kwa hamasa zilizopangwa.
- Changanua matokeo kwa `StrOutputParser` au wachanganuzi wa JSON kwa majibu yaliyochapwa.
```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(
"""
Fanya muhtasari wa maandishi yafuatayo katika nukta 3:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain husaidia kujenga programu za LLM na RAG na zana."})
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
# Andaa hati
texts = .
---
## Kutoka Mfano hadi Uzalishaji: Mpango wa Hatua kwa Hatua
### Hatua ya 1: Bainisha Hadithi ya Mtumiaji
- Mtumiaji ni nani? Wanajaribu kumaliza kazi gani?
- Mfano: "Wakala wa usaidizi anayejibu maswali ya bidhaa kutoka kwa hati za ndani na tiketi za hivi karibuni."
### Hatua ya 2: Chagua Mkusanyiko Mdogo Zaidi Unaowezekana
- Modeli: Chagua modeli ya bei nzuri na ya kuaminika (k.m., GPT-4o-mini au modeli wazi ya mpaka).
- Data: Amua ikiwa unahitaji RAG sasa. Ikiwa ndiyo, anza na FAISS ndani ya nchi.
- I/O: Tumia LCEL kwa marudio ya haraka; epuka msimbo wa gundi maalum.
### Hatua ya 3: Tekeleza Kitanzi Safi cha RAG
- Gawanya hati vizuri.
- Weka alama kwenye viingizo.
- Himiza na muktadha na nukuu.
- Ongeza ulinzi ili kuepuka kuweweseka wakati hakuna muktadha muhimu unaopatikana.
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
Jibu swali ukitumia TU MUKTADHA hapa chini. Ikiwa jibu halipo
katika muktadha, sema "Sijui." Jumuisha kitambulisho cha hati kilichonukuliwa.
MUKTADHA:
{context}
SWALI: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### Hatua ya 5: Matokeo Yaliyochapwa na Uthibitishaji
- Tumia `PydanticOutputParser` au schema ya JSON ili kulazimisha muundo wa majibu ya API.
- Thibitisha sehemu ili kukamata mabadiliko ya modeli.
### Hatua ya 6: Zana na Utumiaji wa Kazi kwa Kazi Halisi
- Anzisha zana kwa nadra.
- Zana za kawaida: kikokotozi, utafutaji wa wavuti, mtekelezaji wa swali la SQL, mkimbiaji wa msimbo.
- Eleza uwezo wa zana waziwazi katika docstrings.
### Hatua ya 7: Ugumu
- Kikomo cha kiwango na mikakati ya kujaribu tena.
- Muda wa kumalizika na vivunja mzunguko.
- Vichungi vya usalama na ukaguzi wa yaliyomo.
### Hatua ya 8: Tathmini na Uboreshaji Endelevu
- Jaribu na datasets za dhahabu (ingizo → matokeo yanayotarajiwa).
- Tathmini uaminifu, ukamilifu wa jibu, na usahihi wa nukuu.
- Pima kiwango cha pigo la urejeshaji na muda wa kusubiri.
---
## Mifumo ya Kawaida na Mitego
- Anza rahisi: Minyororo kabla ya mawakala. Utapata uwezo wa kutabirika na gharama ya chini.
- Ugawaji ni muhimu: Kurekebisha ukubwa/mwingiliano wa chunk kunaweza kubadilisha ubora wa urejeshaji zaidi ya ubadilishaji wa modeli.
- Kuvuja kwa hamasa: Usijaze sinki ya jikoni kwenye hamasa za mfumo; ziweke zimezingatia.
- Uamuzi: Weka `temperature=0` kwa tathmini na mtiririko wa kazi muhimu.
- Utiririshaji wa UX: Tiririsha tokeni kwenye UI wakati mfumo wote unachukua mali au kupakia muktadha.
- Matokeo yaliyopangwa: Tumia wachanganuzi kufanya ujumuishaji wa chini ya mto kuwa rahisi.
---
## Mradi Kamili Mdogo: Maswali na Majibu ya Hati Pamoja na Nukuu
Mfano huu unaunganisha kila kitu pamoja: ulaji, RAG, kizazi cha jibu, na utiririshaji.
```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) Ingiza
corpus = {
"pricing": "Mpango wetu wa Pro unaauni tokeni za muktadha milioni 1 na ni pamoja na usaidizi wa kipaumbele.",
"limits": "Kikomo cha kiwango cha API ni maombi 60 kwa dakika kwa watumiaji wa Pro.",
"security": "Tunahifadhi kumbukumbu kwa siku 30 isipokuwa ukataji kumbukumbu umezimwa na msimamizi.",
}
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) Weka alama
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) Himiza
prompt = ChatPromptTemplate.from_template(
"""
Wewe ni msaidizi wa usaidizi. Tumia MUKTADHA kujibu.
Ikiwa huna uhakika, sema "Sijui." Jumuisha nukuu za kitambulisho cha chanzo.
MUKTADHA:
{context}
SWALI: {question}
"""
)
# 4) Modeli na kichanganuzi
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) Tunga mnyororo
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # pitisha-kupitia
)
| prompt
| llm
| parser
)
# 6) Uliza swali
for chunk in rag.stream({"question": "Viwango vya Pro na uhifadhi wa kumbukumbu ni nini?"}):
print(chunk, end="", flush=True)