LangChain + Gonka AI — AI-приложения за копейки

Минимальный пример — подключение LangChain к 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)

Это всё. Три строки — и ваш LangChain-проект работает через децентрализованную сеть Gonka за копейки.

Установка зависимостей:

pip install langchain langchain-openai

# for the RAG and agent examples below
pip install langchain-classic langchain-community langchain-text-splitters faiss-cpu sentence-transformers

Импорты в примерах даны для LangChain 1.x (проверено на версии 1.4): прежние цепочки и AgentExecutor в ней живут в пакете langchain-classic, а разбиение текста — в langchain-text-splitters.

Рекомендация: явно указывайте max_tokens=8192 — это потолок вывода через JoinGonka Gateway для MiniMax M2.7 и GLM-5.3 Flash (у DeepSeek V4 Flash — до 32768). Контекстное окно — 200K токенов у MiniMax M2.7 (380K у DeepSeek V4 Flash, 390K у GLM-5.3 Flash) — учитывайте это при настройке chunk_size в RAG-пайплайнах.

RAG (Retrieval-Augmented Generation) — самый популярный паттерн AI-приложений. Загружаете документы, разбиваете на чанки, создаёте эмбеддинги, ищете релевантные фрагменты и генерируете ответ с контекстом.

from langchain_openai import ChatOpenAI
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_classic.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"])

Стоимость: один запрос RAG-пайплайна (retrieval + generation) использует ~2-5K токенов LLM. Через Gonka это $0.00001-0.000024. Через OpenAI — $0.005-0.05. Разница — 1,300x.

Для production-систем, обрабатывающих тысячи запросов в день, экономия составляет десятки тысяч долларов в месяц.

LangChain позволяет создавать агентов с инструментами (tools). Модели сети поддерживают нативный tool calling — агенты работают надёжно, без парсинга текстовых ответов.

from langchain_openai import ChatOpenAI
from langchain_classic.agents import create_openai_tools_agent, AgentExecutor
from langchain.tools import tool
from langchain_core.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"])

Агент вызывает calculator, получает результат и формирует ответ. Весь цикл стоит ~$0.00005 через Gonka. Через OpenAI — $0.01-0.05. Для систем с тысячами пользователей это разница в десятки тысяч долларов.