LangChain + Gonka AI — Mga AI Applications sa Mababang Halaga

Minimal na halimbawa — pagkonekta ng LangChain sa Gonka:

from langchain_openai import ChatOpenAI

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

response = llm.invoke("Ipaliwanag kung ano ang RAG")
print(response.content)

Iyon lang. Tatlong linya — at ang iyong LangChain project ay tumatakbo na sa pamamagitan ng decentralized network na Gonka sa murang halaga.

Pag-install ng dependencies:

pip install langchain langchain-openai

Rekomendasyon: tahasang itakda ang max_tokens=8192 — ito ang output ceiling sa pamamagitan ng JoinGonka Gateway para sa lahat ng network models. Ang context window ng network models ay 200K tokens — isaalang-alang ito kapag nagse-set up ng chunk_size sa mga RAG pipeline.

Ang RAG (Retrieval-Augmented Generation) ang pinakasikat na pattern para sa mga AI application. Mag-upload ng mga dokumento, hatiin ang mga ito sa chunks, gumawa ng embeddings, maghanap ng mga kaugnay na fragment, at mag-generate ng sagot na may konteksto.

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 gamit ang Gonka
llm = ChatOpenAI(
    base_url="https://gate.joingonka.ai/v1",
    api_key="jg-iyong-key",
    model="MiniMaxAI/MiniMax-M2.7",
    streaming=True,
)

# 2. Pag-load at pag-index ng mga dokumento
loader = TextLoader("docs/my_document.txt")
docs = loader.load()
splitter = RecursiveCharacterTextSplitter(chunk_size=1000)
chunks = splitter.split_documents(docs)

# 3. Vector store (lokal, libre)
embeddings = HuggingFaceEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

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

# 5. Request
result = qa.invoke("Ano ang tungkol sa dokumentong ito?")
print(result["result"])

Gastos: ang isang request sa RAG pipeline (retrieval + generation) ay gumagamit ng ~2-5K LLM tokens. Sa pamamagitan ng Gonka, ito ay $0.00001-0.000024. Sa OpenAI, $0.005-0.05. Ang pagkakaiba ay 2,000x.

Para sa mga production system na nagpoproseso ng libu-libong request bawat araw, ang matitipid ay umaabot sa sampu-sampung libong dolyar kada buwan.

Pinapayagan ng LangChain ang paggawa ng mga agent na may tools. Sinusuportahan ng Kimi K2.6 ang native tool calling — ang mga agent ay gumagana nang maaasahan nang hindi kailangang mag-parse ng mga text response.

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

@tool
def calculator(expression: str) -> str:
    """Nagkakalkula ng mathematical expression."""
    return str(eval(expression))

@tool
def search_web(query: str) -> str:
    """Naghahanap ng impormasyon sa internet."""
    return f"Search results para sa: {query}"

prompt = ChatPromptTemplate.from_messages([
    ("system", "Ikaw ay isang 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": "Ano ang 2**10 * 3.14?"})
print(result["output"])

Ang agent ay tumatawag sa calculator, nakakakuha ng resulta, at bumubuo ng sagot. Ang buong cycle ay nagkakahalaga ng ~$0.00005 gamit ang Gonka. Sa OpenAI, $0.01-0.05. Para sa mga system na may libu-libong user, ito ay pagkakaiba ng libu-libong dolyar.