LangChain v0.3

-

 (LangChain v0.3) عشان الصورة تنور في دماغك أكتر وتشوف السحر ده بيشتغل إزاي في الكواليس! 🐍💻✨

------------------------------

## 🤖 إيه هو LangChain؟.. الساحر اللي هيخلي ذكائك الاصطناعي "صاحي ومصحصح"! (نسخة الكود الفني) 🚀

لو إنت مبرمج وبتحاول تبني تطبيق ذكاء اصطناعي، أكيد قابلتك مشكلة إن الموديل الكبير (زي ChatGPT) عامل زي "الفهلوي".. ذكي جداً بس ساعات بيهرتل، أو تلاقيه ناسي إنت قلت له إيه من خمس دقائق، والأوعن من كده إنه معزول عن الدنيا وما يعرفش حاجة عن ملفات شركتك أو بياناتك الخاصة! 🤦‍♂️❌

هنا بقى بيظهر البطل بتاعنا: LangChain (لانج شين) 💪. ده مش موديل ذكاء اصطناعي جديد، ده تقدر تقول عليه "المهندس والمقاول" اللي بيربط الموديل بالواقع وبيخليه يعمل شغل بجد! ✨🔧

------------------------------

## 🛠️ الخلطة السحرية.. أهم مميزات LangChain مع نماذج الكود 👇

عشان نفهم لانج شين بيعمل إيه بالظبط، تعالوا نشوف عضلاته بالكود العملي:

## 1️⃣ السلاسل (Chains).. خط إنتاج ملوش حصر ⛓️

الموديل العادي بياخد سؤال ويدي جواب وشكراً.. لانج شين بيخليك تربط "قالب الأسئلة (Prompt)" مع "الموديل (LLM)" في سلسلة واحدة مرنة جداً باستخدام لغة ربط صايعة اسمها LCEL LangChain Expression Language.


* 💻 نموذج الكود:


from langchain_core.prompts import ChatPromptTemplate

from langchain_openai import ChatOpenAI

# 1. بنجهز الموديل بتاعنا

model = ChatOpenAI(model="gpt-4o")

# 2. بنعمل قالب للسؤال (علشان نثبت الطريقة)

prompt = ChatPromptTemplate.from_template("اشرحلي مفهوم {topic} بأسلوب مصري مضحك")


# 3. بنربطهم في سلسلة واحدة (Chain) باستخدام علامة |

chain = prompt | model

# 4. بنشغل السلسلة بكلمة واحدة

response = chain.invoke({"topic": "الذكاء الاصطناعي"})

print(response.content)


## 2️⃣ الذاكرة (Memory).. مش هينساك يا توفيق! 🧠

لو بتعمل شات بوت من غير لانج شين، هتلاقيه عنده زهايمر.. كل سؤال كأنه أول مرة يشوفك! لانج شين بيبني "ذاكرة حديدية" للبوت عشان يفتكر الشات ويقرا التاريخ بتاعه.


* 💻 نموذج الكود:


from langchain_core.messages import HumanMessage, AIMessagefrom langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o")

# بنخزن تاريخ المحادثة في لستة (دي بتبقى الذاكرة)

chat_history = [

    HumanMessage(content="أنا اسمي أحمد وبحب الأكل المصري"),

    AIMessage(content="أهلاً يا أحمد! منور يا غالي، الأكل المصري مفيش يعلى عليه 🍲")

]

# لما نسأله سؤال جديد، بنبعت الذاكرة مع السؤال عشان يفتكر!

new_question = HumanMessage(content="أنا قلت لك اسمي إيه وبحب إيه؟")

chat_history.append(new_question)

response = model.invoke(chat_history)

print(response.content) # هيقولك: اسمك أحمد وبتحب الأكل المصري! 😎


## 3️⃣ الاسترجاع (Retrieval / RAG).. وداعاً للفتي! 📚🔍

أكبر مشكلة في الذكاء الاصطناعي هي "الهلوسة" (تأليف معلومات). لانج شين بيخلي الموديل يقرا ملفاتك الخاصة ويجاوب منها بدقة مية في المية من غير ما يفتي من دماغه!

* 💻 نموذج الكود:

from langchain_community.document_loaders import TextLoader

from langchain_core.vectorstores import InMemoryVectorStore

from langchain_openai import OpenAIEmbeddings


# 1. بنحمل ملف الشركة الداخلي

loader = TextLoader("company_policy.txt")docs = loader.load()

# 2. بنحول الكلام لأرقام (Embeddings) وبنحفظه في قاعدة بيانات سريعة

vector_store = InMemoryVectorStore.from_documents(docs, OpenAIEmbeddings())

# 3. بنعمل نظام بحث (Retriever) يجيب المعلومات لما نسأله

retriever = vector_store.as_retriever()

matched_docs = retriever.invoke("كم عدد أيام الإجازات السنوية؟")

# بتاخد matched_docs وتبعتها للموديل عشان يجاوب منها بالملّي! 📋


## 4️⃣ الوكلاء (Agents).. البوت اللي بيفكر ويقرر 🕵️‍♂️

دي بقى أعلى مراحل الصياعة! بدل ما تمشي البوت على خطوات ثابتة، إنت بتديله "أدوات" (زي أداة للبحث على جوجل، وأداة تانية للحسابات) وتجيبله المشكلة وهو يقرر هيستخدم إيه لوحده!


* 💻 نموذج الكود:


from langchain_openai import ChatOpenAI

from langchain_community.tools.tavily_search import TavilySearchResults

from langgraph.prebuilt import create_react_agent

model = ChatOpenAI(model="gpt-4o")

# بنجهز الأدوات اللي الموديل مسموح له يستخدمها (مثلاً أداة بحث على النت)

tools = [TavilySearchResults(max_results=2)]


# بنعمل الوكيل الذكي

 (Agent)agent = create_react_agent(model, tools)

# البوت هنا لو سألته عن ماتش اتلعب امبارح، هيعرف لوحده إنه لازم يستخدم أداة البحث

!response = agent.invoke({"messages": [("user", "مين اللي كسب ماتش الأهلي امبارح؟")]})


------------------------------

## 💡 الخلاصة.. ليه لازم تبدأ تطبق الكود ده حالا؟ 🔥

من الآخر كده، LangChain هو اللي نقل الذكاء الاصطناعي من مجرد "شات للتسلية" لتطبيقات حقيقية بتشتغل في الشركات وتوفر ملايين 💸. الأكواد اللي فوق دي هي حجر الأساس اللي هتعمل بيه بوت خدمة عملاء لشركتك، أو سيستم يحلل عقود الشغل، أو مساعد شخصي ذكي جداً! 👨‍💻 ومبروك عليك دخول عالم المبرمجين الكبار! 😉👑

Comments

Post a Comment

Popular posts from this blog

Best Practices for Storing and Loading JSON Objects from a Large SQL Server Table Using .NET Core

-
 Best Practices for Storing and Loading JSON Objects from a Large SQL Server Table Using .NET Core Introduction JSON (JavaScript Object Notation) is widely used for storing structured data in SQL Server. However, when dealing with large tables, inefficient handling of JSON data can lead to performance bottlenecks, high storage costs, and slow queries. In this article, we will cover best practices for saving and loading JSON objects from large SQL Server tables using .NET Core. We will focus on storage strategies, indexing, efficient querying, and optimized data retrieval using Entity Framework Core (EF Core) and Dapper. --- 1. Choosing the Right Storage Strategy SQL Server supports JSON natively, but choosing the correct storage method depends on your use case. Option 1: Store JSON as NVARCHAR(MAX) (Best for Flexibility & Simplicity) ✔ Ideal for semi-structured or frequently changing data. ✔ Suitable when you need to store the entire JSON object but rarely query individual fiel...
Read more

Maxpooling vs minpooling vs average pooling

-
Image
Pooling is performed in neural networks to reduce variance and computation complexity. Many times, beginners blindly use a pooling method without knowing the reason for using it. Here is a comparison of three basic pooling methods that are widely used. The three types of pooling operations are: Max pooling: The maximum pixel value of the batch is selected. Min pooling: The minimum pixel value of the batch is selected. Average pooling: The average value of all the pixels in the batch is selected. The batch here means a group of pixels of size equal to the filter size which is decided based on the size of the image. In the following example, a filter of 9x9 is chosen. The output of the pooling method varies with the varying value of the filter size. The operations are illustrated through the following figures. Average, Max and Min pooling of size 9x9 applied on an image We cannot say that a particular pooling method is better over others generally. The choice of pooling operation is made...
Read more

Understand the Softmax Function in Minutes

-
Image
Learning machine learning? Specifically trying out neural networks for deep learning? You likely have run into the  Softmax function, a wonderful  activation function  that turns numbers aka logits into probabilities that sum to one. Softmax function outputs a vector that represents the probability distributions of a list of potential outcomes.  It’s also a core element used in  deep learning   classification  tasks. We will help you understand the Softmax function in a beginner friendly manner by showing you exactly how it works — by coding your very own Softmax function in python. If you are implementing Softmax in Pytorch and you already know Pytorch well, scroll down to the Deep Dive section and grab the code. This article has gotten really popular: 5800+ claps. It is updated constantly. Latest update Jan 2020 added a TL;DR section for busy souls. Dec 2019 (Softmax with Numpy Scipy Pytorch functional. Visuals indicating the location of Softmax func...
Read more