هوش مصنوعی

LangChain ؛ ساخت اپلیکیشن‌های هوشمند با مدل‌های زبانی

بازدید: 64 آخرین به‌روزرسانی: 14 مهر 1405

مقدمه

فرض کنید می‌خواهید یک دستیار هوشمند بسازید که به پرسش‌های کاربران درباره اسناد شرکت شما پاسخ دهد، یا رباتی که بتواند اطلاعات را از اینترنت جست‌وجو کند و نتیجه را خلاصه کند. یک مدل زبانی مانند GPT به‌تنهایی برای این کارها کافی نیست؛ باید آن را به منابع داده، حافظه گفت‌وگو و ابزارهای بیرونی متصل کنید. انجام این کارها از صفر پیچیده و زمان‌بر است. اینجاست که LangChain وارد می‌شود و مانند یک چسب، همه این قطعات را کنار هم قرار می‌دهد.

در این مقاله توضیح می‌دهیم که LangChain چیست، چه مشکلی را حل می‌کند، از چه اجزایی تشکیل شده و چگونه می‌توان با آن یک اپلیکیشن ساده مبتنی بر مدل زبانی ساخت.

LangChain چیست؟

LangChain یک چارچوب (Framework) متن‌باز است که ساخت اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ را ساده می‌کند. این چارچوب که برای زبان‌های Python و JavaScript در دسترس است، مجموعه‌ای از ابزارها و اجزای آماده فراهم می‌کند تا توسعه‌دهندگان به‌جای درگیرشدن با جزئیات فنی، روی منطق اصلی اپلیکیشن خود تمرکز کنند.

نام LangChain از دو بخش تشکیل شده است: «Lang» به معنای زبان (اشاره به مدل‌های زبانی) و «Chain» به معنای زنجیره. ایده محوری این است که می‌توان اجزای مختلف را مانند حلقه‌های یک زنجیره به هم متصل کرد تا یک جریان کاری کامل ساخته شود؛ برای مثال: دریافت پرسش کاربر، جست‌وجو در یک پایگاه داده، ارسال نتیجه به مدل زبانی و بازگرداندن پاسخ نهایی.

چه مشکلی را حل می‌کند؟

مدل‌های زبانی به‌تنهایی سه محدودیت مهم دارند که LangChain برای رفع آن‌ها طراحی شده است:

نبود دانش اختصاصی و به‌روز: مدل فقط به داده‌ای که با آن آموزش دیده دسترسی دارد و از اسناد داخلی سازمان شما یا رویدادهای اخیر بی‌خبر است. LangChain با اتصال مدل به منابع داده بیرونی این مشکل را حل می‌کند.
نداشتن حافظه: مدل به‌طور پیش‌فرض گفت‌وگوهای قبلی را به یاد نمی‌آورد. LangChain اجزای حافظه فراهم می‌کند تا اپلیکیشن بتواند زمینه گفت‌وگو را حفظ کند.
ناتوانی در انجام کنش: مدل نمی‌تواند به‌تنهایی در وب جست‌وجو کند، محاسبه انجام دهد یا با سامانه‌های دیگر کار کند. LangChain با مفهوم «عامل» و «ابزار» به مدل اجازه می‌دهد از ابزارهای بیرونی استفاده کند.

به‌جای آنکه هر توسعه‌دهنده این قابلیت‌ها را از ابتدا بسازد، LangChain آن‌ها را به‌صورت آماده و استاندارد ارائه می‌دهد و توسعه را بسیار سریع‌تر می‌کند.

اجزای اصلی LangChain

LangChain از چند جزء اصلی تشکیل شده که با ترکیب آن‌ها می‌توان اپلیکیشن‌های پیچیده ساخت:

مدل‌ها (Models):

واسطی استاندارد برای اتصال به مدل‌های زبانی مختلف؛ به این ترتیب می‌توان بدون تغییر کد، مدل زیرین را عوض کرد

قالب‌های پرامپت (Prompt Templates):

ابزاری برای ساخت پویای پرامپت‌ها به‌جای نوشتن دستی متن ثابت.

زنجیره‌ها (Chains):

سازوکاری برای اتصال چند مرحله به یکدیگر؛ خروجی یک مرحله ورودی مرحله بعد می‌شود و یک جریان کاری کامل شکل می‌گیرد.

حافظه (Memory):

جزئی که تاریخچه گفت‌وگو را نگه می‌دارد تا مدل زمینه پرسش‌های قبلی را در نظر بگیرد.

بازیابی و پایگاه داده برداری (Retrieval):

اجزایی برای پیاده‌سازی RAG؛ یعنی جست‌وجوی معنایی در اسناد و افزودن نتایج مرتبط به پرسش مدل.

عامل‌ها و ابزارها (Agents and Tools):

سازوکاری که به مدل اجازه می‌دهد خودش تصمیم بگیرد از چه ابزاری (مثلاً ماشین حساب یا موتور جستوجو) و در چه زمانی استفاده کند.

ساخت اولین اپلیکیشن با LangChain

بیایید یک مثال ساده ببینیم که در آن یک قالب پرامپت را به یک مدل زبانی متصل می‌کنیم و یک زنجیره کوچک می‌سازیم. این نمونه ساختار کلی کار با LangChain در پایتون را نشان می‌دهد:

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
 
# ۱) تعریف مدل زبانی
model = ChatOpenAI(model="gpt-4")
 
# ۲) ساخت قالب پرامپت پویا
prompt = ChatPromptTemplate.from_template(
    "موضوع {topic} را در یک جمله ساده توضیح بده")
 
# ۳) ساخت زنجیره: اتصال پرامپت به مدل
chain = prompt | model
 
# ۴) اجرای زنجیره با یک ورودی
result = chain.invoke({"topic": "ابررایانش"})
print(result.content)

در این کد، نشانه | (خط عمودی) اجزا را مانند حلقه‌های زنجیر به هم متصل می‌کند: ابتدا ورودی وارد قالب پرامپت می‌شود، سپس پرامپت ساخته‌شده به مدل می‌رود و در نهایت پاسخ مدل بازگردانده می‌شود. همین ساختار ساده را می‌توان گسترش داد و اجزای بازیابی، حافظه و عامل‌ها را نیز به زنجیره افزود.

اجرای LangChain در کنار ابر سیمرغ

LangChain خود یک چارچوب سبک است و بار پردازشی سنگین را بر عهده مدل زبانی و اجزای جانبی مانند پایگاه داده برداری می‌گذارد. در بسیاری از پروژه‌ها، به‌ویژه هنگام ساخت یک دستیار اختصاصی فارسی، ترجیح داده می‌شود که مدل زبانی به‌صورت محلی و روی زیرساخت خودی اجرا شود تا داده‌های حساس از سازمان خارج نشوند.

در این حالت، می‌توانید یک مدل زبانی متن‌باز را روی گره‌های مجهز به پردازشگر گرافیکی اجرا کنید و LangChain را به آن متصل نمایید. ابر سیمرغ با فراهم‌کردن منابع پردازش ابری مجهز به GPU، بستر مناسبی برای این کار است؛ می‌توانید مدل زبانی و پایگاه داده برداری موردنیاز خود را روی سیمرغ مستقر کنید و یک اپلیکیشن کامل و امن مبتنی بر LangChain بسازید، بدون آنکه به سرویس‌های بیرونی وابسته باشید. برای آشنایی بیشتر به وب‌سایت ابررایانه سیمرغ مراجعه کنید.

جمع بندی

LangChain با فراهم‌کردن اجزای آماده و استاندارد، فاصله میان یک مدل زبانی خام و یک اپلیکیشن واقعی و کاربردی را پر می‌کند. با درک مفاهیم پایه مانند زنجیره‌ها، حافظه، بازیابی و عامل‌ها، می‌توانید به‌سرعت اپلیکیشن‌هایی مانند دستیارهای پرسش‌وپاسخ، ربات‌های گفت‌وگو و سامانه‌های خودکار بسازید.

در مقاله‌های بعدی به موضوعاتی مانند ساخت یک سامانه کامل RAG با LangChain و پیاده‌سازی عامل‌های هوشمند چندمرحله‌ای خواهیم پرداخت.

سوالات متداول

آیا برای استفاده از LangChain باید متخصص هوش مصنوعی باشم؟

خیر، آشنایی با برنامه‌نویسی پایتون و مفاهیم پایه مدل‌های زبانی کافی است؛ LangChain جزئیات پیچیده را از دید شما پنهان می‌کند.

تفاوت یک مدل چیست؟ LangChain با استفاده مستقیم از API

استفاده مستقیم از API تنها یک پرسش و پاسخ ساده به شما می‌دهد، اما LangChain امکان اتصال مدل به داده، حافظه و ابزارها و ساخت جریان‌های کاری چندمرحله‌ای را فراهم می‌کند.