# 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( اور اسٹریمنگ گائیڈ۔
---
## بلڈنگ بلاکس جو آپ 80% وقت استعمال کریں گے۔
### 1) پرامپٹس اور آؤٹ پٹ پارسنگ
- اسٹرکچرڈ پرامپٹس کے لیے `ChatPromptTemplate` استعمال کریں۔
- ٹائپڈ رسپانسز کے لیے `StrOutputParser` یا JSON پارسرز کے ساتھ آؤٹ پٹس کو پارس کریں۔
```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(
"""
درج ذیل متن کو 3 بلٹ پوائنٹس میں خلاصہ کریں:
---
{text}
"""
)
parser = StrOutputParser
chain = prompt | llm | parser
summary = chain.invoke({"text": "LangChain RAG اور ٹولز کے ساتھ LLM ایپس بنانے میں مدد کرتا ہے۔"})
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
# دستاویزات تیار کریں
texts = ۔
---
## پروٹو ٹائپ سے پروڈکشن تک: ایک مرحلہ وار بلیو پرنٹ
### مرحلہ 1: صارف کی کہانی کی وضاحت کریں
- صارف کون ہے؟ وہ کون سا کام انجام دینے کی کوشش کر رہے ہیں؟
- مثال: "ایک سپورٹ ایجنٹ جو اندرونی دستاویزات اور حالیہ ٹکٹوں سے پروڈکٹ کے سوالات کا جواب دیتا ہے۔"
### مرحلہ 2: کم سے کم قابل عمل اسٹیک کا انتخاب کریں
- ماڈل: مناسب قیمت والا، قابل اعتماد ماڈل منتخب کریں (مثال کے طور پر، GPT-4o-mini یا ایک فرنٹیئر اوپن ماڈل)۔
- ڈیٹا: فیصلہ کریں کہ کیا آپ کو ابھی RAG کی ضرورت ہے۔ اگر ہاں، تو مقامی طور پر FAISS کے ساتھ شروع کریں۔
- I/O: تیز رفتار تکرار کے لیے LCEL استعمال کریں؛ کسٹم گلو کوڈ سے گریز کریں۔
### مرحلہ 3: ایک صاف RAG لوپ نافذ کریں
- دستاویزات کو صحیح طریقے سے تقسیم کریں۔
- ایمبیڈنگز کو انڈیکس کریں۔
- سیاق و سباق اور اقتباسات کے ساتھ اشارہ کریں۔
- جب کوئی متعلقہ سیاق و سباق نہ ملے تو فریب سے بچنے کے لیے ایک گارڈ ریل شامل کریں۔
```python
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
qa_prompt = ChatPromptTemplate.from_template(
"""
سوال کا جواب صرف ذیل میں موجود سیاق و سباق کا استعمال کرتے ہوئے دیں۔ اگر جواب
سیاق و سباق میں نہیں ہے، تو کہو "میں نہیں جانتا"۔ حوالہ دی گئی دستاویز IDs شامل کریں۔
سیاق و سباق:
{context}
سوال: {question}
"""
)
parser = StrOutputParser
rag_chain = (RunnableParallel(context=retriever, question=RunnableLambda(lambda x: x.
### مرحلہ 5: ٹائپڈ آؤٹ پٹس اور توثیق
- API رسپانسز کے لیے ساخت کو نافذ کرنے کے لیے `PydanticOutputParser` یا JSON اسکیما استعمال کریں۔
- ماڈل ڈرفٹ کو پکڑنے کے لیے فیلڈز کی توثیق کریں۔
### مرحلہ 6: حقیقی کاموں کے لیے ٹولنگ اور فنکشن کالنگ
- ٹولز کو کفایت شعاری سے متعارف کروائیں۔
- عام ٹولز: کیلکولیٹر، ویب سرچ، SQL کوئری ایگزیکیوٹر، کوڈ رنر۔
- ٹول کی صلاحیتوں کو دستاویزات میں واضح طور پر بیان کریں۔
### مرحلہ 7: سختی
- ریٹ کی حد اور دوبارہ کوشش کرنے کی حکمت عملی۔
- ٹائم آؤٹس اور سرکٹ بریکرز۔
- حفاظتی فلٹرز اور مواد کی جانچ۔
### مرحلہ 8: تشخیص اور مسلسل بہتری
- گولڈن ڈیٹاسیٹس کے ساتھ ٹیسٹ کریں (ان پٹ → متوقع آؤٹ پٹ)۔
- وفاداری، جواب کی تکمیل، اور اقتباس کی درستگی کا جائزہ لیں۔
- بازیافت کی ہٹ ریٹ اور تاخیر کی پیمائش کریں۔
---
## عام پیٹرن اور گوٹچاس
- سادہ شروع کریں: ایجنٹوں سے پہلے چینز۔ آپ کو پیش گوئی اور کم لاگت ملے گی۔
- چنکنگ اہمیت رکھتا ہے: چنک سائز/اوورلیپ کو ٹیون کرنے سے ماڈل سویپ سے زیادہ بازیافت کے معیار کو تبدیل کیا جا سکتا ہے۔
- پرامپٹ لیکج: سسٹم پرامپٹس میں کچن سنک کو نہ بھریں؛ انہیں مرکوز رکھیں۔
- ڈیٹرمینزم: تشخیص اور اہم ورک فلوز کے لیے `temperature=0` سیٹ کریں۔
- اسٹریمنگ UX: سسٹم کے بقیہ اثاثوں کو بازیافت کرنے یا سیاق و سباق کو پری لوڈ کرنے کے دوران UI پر ٹوکنز کو اسٹریم کریں۔
- اسٹرکچرڈ آؤٹ پٹس: ڈاؤن اسٹریم انٹیگریشن کو تکلیف دہ بنانے کے لیے پارسرز استعمال کریں۔
---
## ایک مکمل منی پروجیکٹ: دستاویزات سوال و جواب مع اقتباسات
یہ مثال ہر چیز کو ایک ساتھ جوڑتی ہے: ان جسٹن، RAG، جواب کی جنریشن، اور اسٹریمنگ۔
```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) ان جسٹ
corpus = {
"pricing": "ہمارا پرو پلان 1M سیاق و سباق ٹوکنز کو سپورٹ کرتا ہے اور اس میں ترجیحی سپورٹ شامل ہے۔",
"limits": "پرو صارفین کے لیے API کی شرح کی حد 60 درخواستیں فی منٹ ہے۔",
"security": "ہم 30 دنوں کے لیے لاگز اسٹور کرتے ہیں جب تک کہ ایڈمن کی طرف سے لاگنگ کو غیر فعال نہ کر دیا جائے۔",
}
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) انڈیکس
db = FAISS.from_texts(all_chunks, OpenAIEmbeddings)
retriever = db.as_retriever(k=4)
# 3) پرامپٹ
prompt = ChatPromptTemplate.from_template(
"""
آپ ایک سپورٹ اسسٹنٹ ہیں۔ جواب دینے کے لیے سیاق و سباق کا استعمال کریں۔
اگر یقین نہیں ہے تو، کہو "میں نہیں جانتا"۔ ماخذ IDs کے اقتباسات شامل کریں۔
سیاق و سباق:
{context}
سوال: {question}
"""
)
# 4) ماڈل اور پارسر
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
parser = StrOutputParser
# 5) چین مرتب کریں
rag = (
RunnableParallel(
context=retriever,
question=RunnableLambda(lambda x: x["question"]) # پاس تھرو
)
| prompt
| llm
| parser
)
# 6) ایک سوال پوچھیں
for chunk in rag.stream({"question": "پرو ریٹ کی حدود اور لاگ برقرار رکھنے کی پالیسی کیا ہیں؟"}):
print(chunk, end="", flush=True)