# 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( ve akış kılavuzu.
---
## Zamanın %80'inde Kullanacağınız Yapı Taşları
### 1) İstemler ve Çıktı Ayrıştırma
- Yapılandırılmış istemler için `ChatPromptTemplate` kullanın.
- Türlü yanıtlar için `StrOutputParser` veya JSON ayrıştırıcıları ile çıktıları ayrıştırın.
```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(
"""
Aşağıdaki metni 3 madde işaretiyle özetleyin:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain, RAG ve araçlarla LLM uygulamaları oluşturmaya yardımcı olur."})
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
# Belgeleri hazırlayın
texts = .
---
## Prototipten Üretime: Adım Adım Bir Plan
### Adım 1: Kullanıcı Hikayesini Tanımlayın
- Kullanıcı kim? Hangi işi yapmaya çalışıyorlar?
- Örnek: “Dahili belgelerden ve son biletlerden ürün sorularını yanıtlayan bir destek temsilcisi.”
### Adım 2: Minimum Uygulanabilir Yığını Seçin
- Model: Makul fiyatlı, güvenilir bir model seçin (örneğin, GPT-4o-mini veya öncü bir açık model).
- Veri: Şimdi RAG'ye ihtiyacınız olup olmadığına karar verin. Evet ise, yerel olarak FAISS ile başlayın.
- G/Ç: Hızlı yineleme için LCEL kullanın; özel yapıştırıcı kodundan kaçının.
### Adım 3: Temiz Bir RAG Döngüsü Uygulayın
- Belgeleri düzgün bir şekilde bölün.
- Gömme işlemlerini indeksleyin.
- Bağlam ve alıntılarla istem oluşturun.
- İlgili bir bağlam bulunamadığında halüsinasyondan kaçınmak için bir koruma ekleyin.
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
Soruyu YALNIZCA aşağıdaki BAĞLAMI kullanarak yanıtlayın. Cevap
bağlamda değilse, "Bilmiyorum" deyin. Alıntılanan belge kimliklerini ekleyin.
BAĞLAM:
{context}
SORU: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### Adım 5: Türlü Çıktılar ve Doğrulama
- API yanıtları için yapıyı zorlamak için `PydanticOutputParser` veya JSON şeması kullanın.
- Model kaymasını yakalamak için alanları doğrulayın.
### Adım 6: Gerçek Görevler için Araçlar ve İşlev Çağırma
- Araçları seyrek olarak tanıtın.
- Ortak araçlar: hesap makinesi, web araması, SQL sorgu yürütücüsü, kod çalıştırıcısı.
- Araç yeteneklerini belge dizelerinde açıkça açıklayın.
### Adım 7: Sertleştirme
- Hız sınırı ve yeniden deneme stratejileri.
- Zaman aşımları ve devre kesiciler.
- Güvenlik filtreleri ve içerik kontrolleri.
### Adım 8: Değerlendirme ve Sürekli İyileştirme
- Altın veri kümeleriyle test edin (giriş → beklenen çıktı).
- Doğruluğu, cevap eksiksizliğini ve alıntı doğruluğunu değerlendirin.
- Geri alma isabet oranını ve gecikmesini ölçün.
---
## Ortak Desenler ve Tuzaklar
- Basit başlayın: Aracıdan önce Zincirler. Tahmin edilebilirlik ve daha düşük maliyet elde edersiniz.
- Parçalama önemlidir: Parça boyutunu/örtüşmesini ayarlamak, model değiştirmeden daha fazla geri alma kalitesini değiştirebilir.
- İstem sızıntısı: Sistem istemlerine her şeyi doldurmayın; onları odaklanmış tutun.
- Determinizm: Değerlendirme ve kritik iş akışları için `temperature=0` ayarlayın.
- Akış UX'i: Sistemin geri kalanı varlıkları getirirken veya bağlamı önceden yüklerken belirteçleri kullanıcı arayüzüne akıtın.
- Yapılandırılmış çıktılar: Aşağı akış entegrasyonunu acısız hale getirmek için ayrıştırıcıları kullanın.
---
## Tam Bir Mini Proje: Alıntılarla Belgeler Soru-Cevap
Bu örnek her şeyi bir araya getiriyor: alım, RAG, cevap oluşturma ve akış.
```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) Al
corpus = {
"pricing": "Pro planımız 1M bağlam belirtecini destekler ve öncelikli destek içerir.",
"limits": "API hız sınırı Pro kullanıcıları için dakikada 60 istektir.",
"security": "Yönetici tarafından günlük kaydı devre dışı bırakılmadığı sürece günlükleri 30 gün boyunca saklarız.",
}
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) İndeksle
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) İstemi
prompt = ChatPromptTemplate.from_template(
"""
Bir destek asistanısınız. Cevaplamak için BAĞLAMI kullanın.
Emin değilseniz, "Bilmiyorum" deyin. Kaynak kimliklerinin alıntılarını ekleyin.
BAĞLAM:
{context}
SORU: {question}
"""
)
# 4) Model ve ayrıştırıcı
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) Zinciri oluştur
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # pass-through
)
| prompt
| llm
| parser
)
# 6) Bir soru sorun
for chunk in rag.stream({"question": "Pro oran sınırları ve günlük saklama nedir?"}):
print(chunk, end="", flush=True)