LangChain + Gonka AI — Aplikasi AI dengan Biaya Rendah

Contoh minimal — menghubungkan LangChain ke Gonka:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-your-key",
    model="MiniMaxAI/MiniMax-M2.7",
)

response = llm.invoke("Explain what RAG is")
print(response.content)

Selesai. Tiga baris — dan proyek LangChain Anda berjalan lewat jaringan terdesentralisasi Gonka dengan biaya yang sangat murah.

Instalasi dependensi:

pip install langchain langchain-openai

Rekomendasi: tentukan secara eksplisit max_tokens=8192 — ini plafon output lewat JoinGonka Gateway untuk MiniMax M2.7 dan GLM-5.3 Flash (untuk DeepSeek V4 Flash — hingga 32768). Jendela konteksnya 200K token untuk MiniMax M2.7 (380K untuk DeepSeek V4 Flash, 390K untuk GLM-5.3 Flash) — perhitungkan hal ini saat mengatur chunk_size di pipeline RAG Anda.

RAG (Retrieval-Augmented Generation) — pola aplikasi AI paling populer. Anda memuat dokumen, memecahnya menjadi chunk, membuat embedding, mencari fragmen yang relevan, lalu menghasilkan jawaban dengan konteks.

from langchain_openai import ChatOpenAI
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import RetrievalQA
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.document_loaders import TextLoader

# 1. LLM via Gonka
llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-your-key",
    model="MiniMaxAI/MiniMax-M2.7",
    streaming=True,
)

# 2. Load and index documents
loader = TextLoader("docs/my_document.txt")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
chunks = splitter.split_documents(docs)

# 3. Vector store (local, free)
embeddings = HuggingFaceEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. RAG chain
qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever(),
)

# 5. Query
result = qa.invoke("What is this document about?")
print(result["result"])

Biaya: satu permintaan pipeline RAG (retrieval + generation) menggunakan ~2-5K token LLM. Lewat Gonka hanya $0.00001-0.000024. Lewat OpenAI — $0.005-0.05. Selisihnya — 1.300x.

Untuk sistem production yang memproses ribuan permintaan per hari, penghematannya mencapai puluhan ribu dolar per bulan.

LangChain memungkinkan Anda membuat agent dengan tools. Model-model di jaringan ini mendukung native tool calling — agent bekerja dengan andal, tanpa perlu mem-parsing respons teks.

from langchain_openai import ChatOpenAI
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate

llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-your-key",
    model="MiniMaxAI/MiniMax-M2.7",
)

@tool
def calculator(expression: str) -> str:
    """Evaluates a math expression."""
    return str(eval(expression))

@tool
def search_web(query: str) -> str:
    """Searches the web for information."""
    return f"Search results for: {query}"

prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

agent = create_openai_tools_agent(llm, [calculator, search_web], prompt)
executor = AgentExecutor(agent=agent, tools=[calculator, search_web])

result = executor.invoke({"input": "What is 2**10 * 3.14?"})
print(result["output"])

Agent memanggil calculator, menerima hasilnya, lalu menyusun jawaban. Seluruh siklus ini hanya berbiaya ~$0.00005 lewat Gonka. Lewat OpenAI — $0.01-0.05. Untuk sistem dengan ribuan pengguna, selisihnya mencapai puluhan ribu dolar.