LangChain + Gonka AI — Applicazioni AI a un costo minimo

Esempio minimo — collegare LangChain a 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)

Tutto qui. Tre righe — e il tuo progetto LangChain funziona attraverso la rete decentralizzata Gonka a prezzi irrisori.

Installare le dipendenze:

pip install langchain langchain-openai

Consiglio: specifica esplicitamente max_tokens=8192 — è il tetto di output attraverso JoinGonka Gateway per MiniMax M2.7 e GLM-5.3 Flash (per DeepSeek V4 Flash arriva fino a 32768). La finestra di contesto — 200K token per MiniMax M2.7 (380K per DeepSeek V4 Flash, 390K per GLM-5.3 Flash) — tienine conto quando imposti chunk_size nelle pipeline RAG.

RAG (Retrieval-Augmented Generation) è il pattern più diffuso nelle applicazioni AI. Carichi i documenti, li dividi in chunk, crei gli embedding, cerchi i frammenti rilevanti e generi una risposta con il contesto.

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"])

Costo: una singola richiesta di una pipeline RAG (retrieval + generation) consuma circa 2-5K token LLM. Con Gonka costa $0.00001-0.000024. Con OpenAI $0.005-0.05. La differenza è di 1.300 volte.

Per sistemi in produzione che gestiscono migliaia di richieste al giorno, il risparmio arriva a decine di migliaia di dollari al mese.

LangChain ti permette di creare agenti dotati di strumenti (tools). I modelli della rete supportano il native tool calling — gli agenti funzionano in modo affidabile, senza dover interpretare risposte testuali.

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"])

L'agente richiama calculator, ottiene il risultato e formula la risposta. L'intero ciclo costa circa $0.00005 con Gonka. Con OpenAI $0.01-0.05. Per sistemi con migliaia di utenti, la differenza si traduce in decine di migliaia di dollari.