LangChain + Gonka AI - تطبيقات AI بتكلفة زهيدة

مثال بسيط - ربط LangChain بـ Gonka:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-your-key",
    model="Qwen/Qwen3-235B-A22B-Instruct-2507-FP8",
)

response = llm.invoke("اشرح ما هو RAG")
print(response.content)

هذا كل شيء. ثلاثة أسطر - ومشروعك LangChain يعمل عبر شبكة Gonka اللامركزية مقابل بضعة سنتات.

تثبيت التبعيات:

pip install langchain langchain-openai

توصية: حدد max_tokens=2048 صراحةً - هذا هو الحد الأقصى عبر JoinGonka Gateway. نافذة سياق Qwen3-235B - 128 ألف رمز مميز - ضع ذلك في الاعتبار عند إعداد chunk_size في أنابيب RAG.

RAG (Retrieval-Augmented Generation) - هو النمط الأكثر شيوعًا لتطبيقات الذكاء الاصطناعي. تقوم بتحميل المستندات، وتقسيمها إلى أجزاء، وإنشاء تضمينات، والبحث عن الأجزاء ذات الصلة، وتوليد الإجابة مع السياق.

from langchain_openai import ChatOpenAI\nfrom langchain.text_splitter import RecursiveCharacterTextSplitter\nfrom langchain.chains import RetrievalQA\nfrom langchain_community.vectorstores import FAISS\nfrom langchain_community.embeddings import HuggingFaceEmbeddings\nfrom langchain_community.document_loaders import TextLoader\n\n# 1. LLM عبر Gonka\nllm = ChatOpenAI(\n    base_url=\"https://gate.joingonka.ai/v1\",\n    api_key=\"jg-your-key\",\n    model=\"Qwen/Qwen3-235B-A22B-Instruct-2507-FP8\",\n    streaming=True,\n)\n\n# 2. تحميل وفهرسة المستندات\nloader = TextLoader(\"docs/my_document.txt\")\ndocs = loader.load()\nsplitter = RecursiveCharacterTextSplitter(chunk_size=1000)\nchunks = splitter.split_documents(docs)\n\n# 3. مخزن المتجهات (محلي، مجاني)\nembeddings = HuggingFaceEmbeddings()\nvectorstore = FAISS.from_documents(chunks, embeddings)\n\n# 4. سلسلة RAG\nqa = RetrievalQA.from_chain_type(\n    llm=llm,\n    retriever=vectorstore.as_retriever(),\n)\n\n# 5. الاستعلام\nresult = qa.invoke(\"ماذا يتحدث هذا المستند عن؟\")\nprint(result[\"result\"])

التكلفة: يستخدم طلب واحد من خط أنابيب RAG (استرجاع + توليد) حوالي 2-5 آلاف رمز LLM. عبر Gonka يكون هذا 0.000002-0.000005 دولار. عبر OpenAI - 0.005-0.05 دولار. الفرق - 10000x.

لأنظمة الإنتاج التي تعالج آلاف الطلبات يوميًا، يصل التوفير إلى عشرات الآلاف من الدولارات شهريًا.

تسمح LangChain بإنشاء وكلاء باستخدام الأدوات (tools). يدعم Qwen3-235B استدعاء الأدوات الأصلي - يعمل الوكلاء بشكل موثوق، دون تحليل الإجابات النصية.

from langchain_openai import ChatOpenAI\nfrom langchain.agents import create_openai_tools_agent, AgentExecutor\nfrom langchain.tools import tool\nfrom langchain.prompts import ChatPromptTemplate\n\nllm = ChatOpenAI(\n    base_url=\"https://gate.joingonka.ai/v1\",\n    api_key=\"jg-your-key\",\n    model=\"Qwen/Qwen3-235B-A22B-Instruct-2507-FP8\",\n)\n\n@tool\ndef calculator(expression: str) -> str:\n    \"\"\"يحسب تعبيرًا رياضيًا.\"\"\"\n    return str(eval(expression))\n\n@tool\ndef search_web(query: str) -> str:\n    \"\"\"يبحث عن معلومات على الإنترنت.\"\"\"\n    return f\"نتائج البحث لـ: {query}\"\n\nprompt = ChatPromptTemplate.from_messages([\n    (\"system\", \"أنت مساعد مفيد.\"),\n    (\"human\", \"{input}\"),\n    (\"placeholder\", \"{agent_scratchpad}\"),\n])\n\nagent = create_openai_tools_agent(llm, [calculator, search_web], prompt)\nexecutor = AgentExecutor(agent=agent, tools=[calculator, search_web])\n\nresult = executor.invoke({\"input\": \"كم سيكون 2**10 * 3.14؟\"})\nprint(result[\"output\"])

يستدعي الوكيل calculator، ويحصل على النتيجة ويشكل الإجابة. تكلفة الدورة بأكملها حوالي 0.00001 دولار عبر Gonka. عبر OpenAI - 0.01-0.05 دولار. للأنظمة التي تضم آلاف المستخدمين، هذا فرق بعشرات الآلاف من الدولارات.