LangChain + Gonka AI — aplikacje AI za grosze

Minimalny przykład — podłączenie LangChain do Gonka:

from langchain_openai import ChatOpenAI

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

response = llm.invoke("Wyjaśnij czym jest RAG")
print(response.content)

To wszystko. Trzy linie — i twój projekt LangChain działa przez zdecentralizowaną sieć Gonka za grosze.

Instalacja zależności:

pip install langchain langchain-openai

Rekomendacja: jawnie wskazuj max_tokens=8192 — to sufit wyjścia przez JoinGonka Gateway dla wszystkich modeli sieci. Okno kontekstowe modeli sieci to 200K tokenów — uwzględnij to podczas ustawiania chunk_size w pipeline'ach RAG.

RAG (Retrieval-Augmented Generation) — najpopularniejszy wzorzec aplikacji AI. Ładujesz dokumenty, dzielisz na części, tworzysz embeddingi, szukasz istotnych fragmentów i generujesz odpowiedź z kontekstem.

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 przez Gonka
llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-ваш-ключ",
    model="MiniMaxAI/MiniMax-M2.7",
    streaming=True,
)

# 2. Ładowanie i indeksowanie dokumentów
loader = TextLoader("docs/my_document.txt")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
chunks = splitter.split_documents(docs)

# 3. Przechowywanie wektorowe (lokalne, darmowe)
embeddings = HuggingFaceEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

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

# 5. Zapytanie
result = qa.invoke("O czym jest ten dokument?")
print(result["result"])

Koszt: jedno zapytanie RAG-pipeline (retrieval + generation) zużywa ~2-5K tokenów LLM. Przez Gonka to $0.00001-0.000024. Przez OpenAI — $0.005-0.05. Różnica — 2,000x.

Dla systemów produkcyjnych przetwarzających tysiące zapytań dziennie oszczędność wynosi dziesiątki tysięcy dolarów miesięcznie.

LangChain pozwala tworzyć agentów z narzędziami (tools). Kimi K2.6 wspiera natywne tool calling — agenci pracują niezawodnie, bez parsowania odpowiedzi tekstowych.

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-ваш-ключ",
    model="MiniMaxAI/MiniMax-M2.7",
)

@tool
def calculator(expression: str) -> str:
    """Oblicza wyrażenie matematyczne."""
    return str(eval(expression))

@tool
def search_web(query: str) -> str:
    """Wyszukuje informacje w internecie."""
    return f"Wyniki wyszukiwania dla: {query}"

prompt = ChatPromptTemplate.from_messages([
    ("system", "Jesteś pomocnym asystentem."),
    ("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": "Ile wynosi 2**10 * 3.14?"})
print(result["output"])

Agent wywołuje calculator, otrzymuje wynik i tworzy odpowiedź. Cały cykl kosztuje ~$0.00005 przez Gonka. Przez OpenAI — $0.01-0.05. Dla systemów z tysiącami użytkowników to różnica rzędu dziesiątek tysięcy dolarów.