# 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( และคู่มือการ streaming
---
## Building Blocks ที่คุณจะได้ใช้ 80% ของเวลา
### 1) Prompts และ Output Parsing
- ใช้ `ChatPromptTemplate` สำหรับ prompts ที่มีโครงสร้าง
- Parse outputs ด้วย `StrOutputParser` หรือ JSON parsers สำหรับ responses ที่มี type
```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(
"""
สรุปข้อความต่อไปนี้เป็น 3 bullet points:
---
{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
# เตรียมเอกสาร
texts = 
---
## จาก Prototype สู่ Production: พิมพ์เขียวทีละขั้นตอน
### ขั้นตอนที่ 1: กำหนด User Story
- ผู้ใช้คือใคร? พวกเขากำลังพยายามทำอะไรให้สำเร็จ?
- ตัวอย่าง: “เจ้าหน้าที่ support ที่ตอบคำถามเกี่ยวกับผลิตภัณฑ์จากเอกสารภายในและ tickets ล่าสุด”
### ขั้นตอนที่ 2: เลือก Minimum Viable Stack
- Model: เลือกโมเดลที่ราคาสมเหตุสมผลและเชื่อถือได้ (เช่น GPT-4o-mini หรือ frontier open model)
- Data: ตัดสินใจว่าคุณต้องการ RAG ตอนนี้หรือไม่ หากใช่ ให้เริ่มต้นด้วย FAISS ในเครื่อง
- I/O: ใช้ LCEL สำหรับการ iteration ที่รวดเร็ว หลีกเลี่ยง custom glue code
### ขั้นตอนที่ 3: Implement RAG Loop ที่สะอาด
- แบ่งเอกสารอย่างเหมาะสม
- Index embeddings
- Prompt ด้วย context และ citations
- เพิ่ม guardrail เพื่อหลีกเลี่ยง hallucination เมื่อไม่พบ context ที่เกี่ยวข้อง
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
ตอบคำถามโดยใช้ CONTEXT ด้านล่างนี้เท่านั้น หากคำตอบไม่อยู่
ใน context ให้พูดว่า "ฉันไม่รู้" รวม ID เอกสารที่อ้างอิงด้วย
CONTEXT:
{context}
QUESTION: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### ขั้นตอนที่ 5: Typed Outputs และ Validation
- ใช้ `PydanticOutputParser` หรือ JSON schema เพื่อบังคับใช้โครงสร้างสำหรับ API responses
- Validate fields เพื่อตรวจจับ model drift
### ขั้นตอนที่ 6: Tooling และ Function Calling สำหรับงานจริง
- แนะนำเครื่องมือเท่าที่จำเป็น
- เครื่องมือทั่วไป: calculator, web search, SQL query executor, code runner
- อธิบายความสามารถของเครื่องมืออย่างชัดเจนใน docstrings
### ขั้นตอนที่ 7: Hardening
- Rate limit และ retry strategies
- Timeouts และ circuit breakers
- Safety filters และ content checks
### ขั้นตอนที่ 8: Evaluation & Continuous Improvement
- ทดสอบด้วย golden datasets (input → expected output)
- ประเมิน faithfulness, answer completeness และ citation accuracy
- วัด retrieval hit rate และ latency
---
## รูปแบบทั่วไปและข้อควรระวัง
- เริ่มต้นอย่างง่าย: Chains ก่อน agents คุณจะได้รับ predictability และต้นทุนที่ต่ำกว่า
- Chunking มีความสำคัญ: การปรับขนาด chunk/overlap สามารถเปลี่ยนคุณภาพการ retrieval ได้มากกว่าการสลับโมเดล
- Prompt leakage: อย่าใส่ทุกอย่างลงใน system prompts เก็บให้พวกเขามุ่งเน้น
- Determinism: ตั้งค่า `temperature=0` สำหรับการ evaluation และ workflows ที่สำคัญ
- Streaming UX: Stream tokens ไปยัง UI ในขณะที่ส่วนที่เหลือของระบบดึง assets หรือ preload context
- Structured outputs: ใช้ parsers เพื่อให้ integration ปลายทางไม่ยุ่งยาก
---
## โปรเจกต์ขนาดเล็กฉบับเต็ม: Docs Q&A พร้อม Citations
ตัวอย่างนี้รวมทุกอย่างเข้าด้วยกัน: ingestion, RAG, การสร้างคำตอบ และ 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": "Pro plan ของเรารองรับ 1M context tokens และรวมถึง priority support",
"limits": "API rate limit คือ 60 requests ต่อนาทีสำหรับผู้ใช้ Pro",
"security": "เราจัดเก็บ logs เป็นเวลา 30 วัน เว้นแต่การ logging ถูกปิดใช้งานโดยผู้ดูแลระบบ",
}
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(
"""
คุณคือผู้ช่วย support ใช้ CONTEXT เพื่อตอบคำถาม
หากไม่แน่ใจ ให้พูดว่า "ฉันไม่รู้" รวม citations ของ source IDs ด้วย
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)