الأطر والمنصات

LangChain

استخدم محادثة وتضمينات TokenLab مع LangChain

نظرة عامة

يمكن لـ ChatOpenAI و OpenAIEmbeddings في LangChain استخدام TokenLab من خلال API المتوافق مع OpenAI.

يتعامل ChatOpenAI مع الحقول المتوافقة مع OpenAI. إذا كان تطبيقك يحتاج إلى Claude Messages أو الحقول الخاصة بـ Gemini، فاستخدم تكامل LangChain المطابق بدلاً من ذلك.

التثبيت

pip install langchain langchain-openai langchain-community faiss-cpu

الإعداد الأساسي

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5.6-terra",
    api_key="sk-your-tokenlab-key",
    base_url="https://api.tokenlab.sh/v1",
)

response = llm.invoke("Explain TokenLab in one sentence.")
print(response.content)

استخدام نماذج مختلفة

from langchain_openai import ChatOpenAI

gpt = ChatOpenAI(
    model="gpt-5.6-terra",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

claude = ChatOpenAI(
    model="claude-sonnet-5",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

gemini = ChatOpenAI(
    model="gemini-3.8-flash",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

deepseek = ChatOpenAI(
    model="deepseek-v4-pro",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

سجل الرسائل

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="You are a helpful assistant."),
    HumanMessage(content="What is the capital of France?")
]

response = llm.invoke(messages)
print(response.content)

التدفق (Streaming)

for chunk in llm.stream("Write a short poem about coding."):
    if chunk.content:
        print(chunk.content, end="", flush=True)

التضمينات (Embeddings)

from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

vector = embeddings.embed_query("Hello world")
print(vector[:5])

مثال RAG بسيط

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

embeddings = OpenAIEmbeddings(
    model="text-embedding-3-small",
    api_key="sk-your-key",
    base_url="https://api.tokenlab.sh/v1",
)

texts = [
    "TokenLab provides one API for many AI models.",
    "TokenLab supports OpenAI-compatible integrations."
]

vectorstore = FAISS.from_texts(texts, embeddings)
retriever = vectorstore.as_retriever()

prompt = ChatPromptTemplate.from_template(
    "Answer using the context below.\n\nContext:\n{context}\n\nQuestion:\n{question}"
)

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
)

response = rag_chain.invoke("What does TokenLab provide?")
print(response.content)

الوكلاء (Agents)

بالنسبة لمشاريع الوكلاء (agentic) الجديدة، توصي LangChain بالنظر في استخدام LangGraph للحصول على تحكم أكثر دقة في مهام سير العمل طويلة الأمد وتلك التي تستخدم الأدوات.

from langchain.agents import create_agent
from langchain_core.tools import tool

@tool
def search(query: str) -> str:
    """Search for information."""
    return f"Search results for: {query}"

tools = [search]

agent = create_agent(
    model=llm,
    tools=tools,
    system_prompt="You are a helpful assistant with access to tools.",
)

result = agent.invoke({
    "messages": [{"role": "user", "content": "Search for TokenLab pricing"}]
})
print(result["messages"][-1].content)

أفضل الممارسات

في هذه الصفحة