LangChain + Gonka AI — AI-додатки за копійки

Мінімальний приклад — підключення LangChain до 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)

Це все. Три рядки — і ваш LangChain-проєкт працює через децентралізовану мережу Gonka за копійки.

Встановлення залежностей:

pip install langchain langchain-openai

Рекомендація: явно вказуйте max_tokens=8192 — це стеля виводу через JoinGonka Gateway для MiniMax M2.7 і GLM-5.3 Flash (у DeepSeek V4 Flash — до 32768). Контекстне вікно — 200K токенів у MiniMax M2.7 (380K у DeepSeek V4 Flash, 390K у GLM-5.3 Flash) — враховуйте це при налаштуванні chunk_size у RAG-пайплайнах.

RAG (Retrieval-Augmented Generation) — найпопулярніший патерн AI-застосунків. Завантажуєте документи, розбиваєте на чанки, створюєте ембедінги, шукаєте релевантні фрагменти й генеруєте відповідь із контекстом.

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"])

Вартість: один запит RAG-пайплайну (retrieval + generation) використовує ~2-5K токенів LLM. Через Gonka це $0.00001-0.000024. Через OpenAI — $0.005-0.05. Різниця — 1 300x.

Для production-систем, що обробляють тисячі запитів на день, економія сягає десятків тисяч доларів на місяць.

LangChain дає змогу створювати агентів з інструментами (tools). Моделі мережі підтримують нативний tool calling — агенти працюють надійно, без парсингу текстових відповідей.

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"])

Агент викликає calculator, отримує результат і формує відповідь. Увесь цикл коштує ~$0.00005 через Gonka. Через OpenAI — $0.01-0.05. Для систем із тисячами користувачів це різниця в десятки тисяч доларів.