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-your-key",
    model="MiniMaxAI/MiniMax-M2.7",
)

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

To wszystko. Trzy linijki — i Twój projekt LangChain działa przez zdecentralizowaną sieć Gonka za grosze.

Instalacja zależności:

pip install langchain langchain-openai

Zalecenie: jawnie podawaj max_tokens=8192 — to limit wyjścia przez JoinGonka Gateway dla MiniMax M2.7 i GLM-5.3 Flash (w DeepSeek V4 Flash — do 32768). Okno kontekstu — 200K tokenów w MiniMax M2.7 (380K w DeepSeek V4 Flash, 390K w GLM-5.3 Flash) — uwzględnij to przy konfiguracji chunk_size w pipeline'ach RAG.

RAG (Retrieval-Augmented Generation) to najpopularniejszy wzorzec aplikacji AI. Wczytujesz dokumenty, dzielisz je na fragmenty, tworzysz embeddingi, wyszukujesz istotne fragmenty 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 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"])

Koszt: jedno zapytanie w pipeline RAG (retrieval + generation) zużywa ~2-5K tokenów LLM. Przez Gonka to $0.00001-0.000024. Przez OpenAI — $0.005-0.05. Różnica — 1,300x.

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

LangChain pozwala tworzyć agentów z narzędziami (tools). Modele sieci obsługują natywne tool calling — agenci działają 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-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 wywołuje calculator, otrzymuje wynik i formułuje 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.