LangChain + Gonka AI — Kuruşlarla Yapay Zeka Uygulamaları

Minimal örnek – LangChain'i Gonka'ya bağlamak:

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)

Hepsi bu. Üç satır – ve LangChain projeniz merkeziyetsiz Gonka ağı üzerinden yok pahasına çalışıyor.

Bağımlılıkları yükleme:

pip install langchain langchain-openai

Öneri: max_tokens=8192 değerini açıkça belirtin – bu, MiniMax M2.7 ve GLM-5.3 Flash için JoinGonka Gateway üzerinden çıktı üst sınırıdır (DeepSeek V4 Flash için – 32768'e kadar). Bağlam penceresi MiniMax M2.7 için 200K token (DeepSeek V4 Flash için 380K, GLM-5.3 Flash için 390K) – RAG ardışık düzenlerinde chunk_size ayarlarken bunu göz önünde bulundurun.

RAG (Retrieval-Augmented Generation) yapay zeka uygulamalarının en popüler desenidir. Belgeleri yüklersiniz, parçalara bölersiniz, embedding'ler oluşturursunuz, ilgili bölümleri bulur ve bağlamla birlikte yanıt üretirsiniz.

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"])

Maliyet: Tek bir RAG pipeline isteği (retrieval + generation) yaklaşık 2-5K LLM token'ı kullanır. Gonka üzerinden bu $0.00001-0.000024. OpenAI üzerinden $0.005-0.05. Fark 1.300 kat.

Günde binlerce istek işleyen production sistemleri için bu, ayda on binlerce dolar tasarruf demek.

LangChain ile araçlara (tools) sahip agent'lar oluşturabilirsiniz. Ağdaki modeller yerel tool calling'i destekler — agent'lar metin yanıtlarını ayrıştırmaya gerek kalmadan güvenilir şekilde çalışır.

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, calculator'ı çağırır, sonucu alır ve yanıtı oluşturur. Tüm döngü Gonka üzerinden yaklaşık $0.00005. OpenAI üzerinden $0.01-0.05. Binlerce kullanıcısı olan sistemler için bu, on binlerce dolarlık bir fark demek.