راهنمای API

LangChain چیست؟ آموزش کامل ساخت Agentهای هوش مصنوعی، RAG و اتصال به API درواره

LangChain چیست و چگونه برای ساخت Agentهای هوش مصنوعی، سیستم‌های RAG و برنامه‌های مبتنی بر مدل‌های زبانی استفاده می‌شود؟ آموزش کامل LangChain و اتصال به API درواره.

Darvareh LangChain

هوش مصنوعی در سال‌های اخیر از یک ابزار ساده برای پاسخ‌گویی به سؤال‌ها، به یک لایه هوشمند برای ساخت نرم‌افزارهای جدید تبدیل شده است.

مدل‌های زبانی بزرگ (Large Language Models) مانند GPT، Claude، Gemini و مدل‌های متن‌باز مانند Llama و Qwen توانایی بسیار بالایی در درک و تولید متن دارند؛ اما برای ساخت یک محصول واقعی معمولاً فقط داشتن یک مدل زبانی کافی نیست.

یک برنامه کاربردی هوش مصنوعی معمولاً به قابلیت‌های بیشتری نیاز دارد:

اتصال مدل به داده‌های اختصاصی
استفاده از ابزارهای خارجی
جستجو در پایگاه داده
اجرای عملیات مختلف
مدیریت حافظه گفتگو
تصمیم‌گیری مرحله‌ای
انجام وظایف پیچیده به‌صورت خودکار

اینجاست که LangChain وارد می‌شود.

LangChain یک فریم‌ورک متن‌باز برای ساخت برنامه‌های مبتنی بر مدل‌های زبانی بزرگ (LLM Applications) است که به توسعه‌دهندگان اجازه می‌دهد مدل‌های هوش مصنوعی را با داده‌ها، ابزارها و منطق برنامه ترکیب کنند.

به زبان ساده:

LangChain لایه‌ای است که یک مدل هوش مصنوعی خام را به یک برنامه هوشمند تبدیل می‌کند.

چرا LangChain ایجاد شد؟

مدل‌های زبانی مانند GPT یا Claude به‌تنهایی بسیار قدرتمند هستند، اما محدودیت‌هایی دارند.

برای مثال:

یک مدل زبانی به‌صورت پیش‌فرض:

اطلاعات خصوصی شرکت شما را نمی‌داند.
به دیتابیس شما دسترسی ندارد.
نمی‌تواند ایمیل ارسال کند.
نمی‌تواند قیمت محصول را از سیستم شما دریافت کند.
نمی‌تواند فرآیندهای سازمانی را اجرا کند.

فرض کنید می‌خواهید یک دستیار هوشمند برای شرکت خود بسازید.

این دستیار باید بتواند:

اسناد داخلی شرکت را بخواند.
به سؤالات کارکنان پاسخ دهد.
اطلاعات مشتریان را بررسی کند.
گزارش تولید کند.
در صورت نیاز عملیاتی انجام دهد.

اتصال مستقیم یک مدل زبانی به تمام این اجزا پیچیده است.

LangChain این مشکل را حل می‌کند.

معماری ساده:

کاربر

↓

Application

↓

LangChain

↓

LLM + Tools + Data + Memory

↓

پاسخ هوشمند

LangChain دقیقاً چه کاری انجام می‌دهد؟

LangChain مجموعه‌ای از ابزارها و الگوهای برنامه‌نویسی ارائه می‌دهد که ساخت برنامه‌های هوش مصنوعی را ساده‌تر می‌کنند.

مهم‌ترین قابلیت‌های LangChain:

۱. اتصال به مدل‌های مختلف هوش مصنوعی

LangChain شما را به یک مدل خاص محدود نمی‌کند.

می‌توانید از مدل‌های مختلف استفاده کنید:

GPT
Claude
Gemini
DeepSeek
Llama
Qwen
Mistral

این موضوع برای توسعه‌دهندگان بسیار مهم است، زیرا می‌توانند بر اساس:

کیفیت
سرعت
هزینه
نوع کار

مدل مناسب را انتخاب کنند.

۲. ساخت Chainها

یکی از مفاهیم اصلی LangChain، Chain است.

Chain یعنی ترکیب چند مرحله برای انجام یک وظیفه.

برای مثال:

یک سیستم خلاصه‌سازی مقاله:

دریافت مقاله

↓

تقسیم متن

↓

ارسال به مدل هوش مصنوعی

↓

تولید خلاصه

↓

ذخیره نتیجه

هر مرحله می‌تواند یک جزء از یک Chain باشد.

۳. ساخت Agentهای هوش مصنوعی

یکی از مهم‌ترین کاربردهای LangChain ساخت Agent است.

اما Agent چیست؟

یک Chatbot معمولی:

کاربر
 ↓
مدل
 ↓
پاسخ

اما یک Agent:

کاربر

↓

Agent

↓

تصمیم‌گیری

↓

انتخاب ابزار

↓

اجرای عملیات

↓

پاسخ نهایی

Agent می‌تواند تصمیم بگیرد:

آیا نیاز به جستجو دارد؟
آیا باید دیتابیس را بررسی کند؟
آیا باید یک API را فراخوانی کند؟
آیا نیاز به محاسبه دارد؟

مثال ساده از یک Agent

فرض کنید یک Agent فروش دارید.

کاربر می‌پرسد:

وضعیت سفارش ۱۲۳۴ چیست؟

Agent می‌تواند:

تشخیص دهد که نیاز به اطلاعات سفارش دارد.
ابزار دیتابیس را انتخاب کند.
API سفارش‌ها را فراخوانی کند.
پاسخ مناسب تولید کند.

بدون Agent، شما باید تمام این مراحل را به‌صورت دستی برنامه‌نویسی کنید.

۴. ساخت سیستم‌های RAG

یکی از مهم‌ترین کاربردهای LangChain، ساخت سیستم‌های RAG است.

RAG مخفف:

Retrieval Augmented Generation

است.

ایده اصلی:

مدل هوش مصنوعی را با اطلاعات اختصاصی شما ترکیب می‌کنیم.

مثال:

یک شرکت می‌خواهد یک دستیار داخلی داشته باشد که درباره:

آیین‌نامه‌ها
قراردادها
مستندات
محصولات

پاسخ دهد.

مراحل:

اسناد شرکت

↓

Embedding

↓

Vector Database

↓

LangChain

↓

مدل هوش مصنوعی

↓

پاسخ دقیق

۵. مدیریت Memory

مدل‌های زبانی به‌صورت پیش‌فرض حافظه دائمی ندارند.

LangChain امکان مدیریت Memory را فراهم می‌کند.

مثلاً:

کاربر قبلاً گفته:

من مدیر فروش شرکت هستم.

در گفتگوهای بعدی Agent می‌تواند این اطلاعات را در نظر بگیرد.

۶. اتصال به ابزارها (Tools)

Agentها بدون ابزار محدود هستند.

LangChain اجازه می‌دهد ابزارهای مختلف به مدل اضافه شوند.

مثال:

Tools:

جستجو در وب
دیتابیس
Calculator
CRM
API داخلی
سیستم مالی

مدل تصمیم می‌گیرد چه زمانی از کدام ابزار استفاده کند.

اجزای اصلی LangChain

برای درک بهتر LangChain باید با مفاهیم اصلی آن آشنا شویم.

LLM

مدل زبانی بزرگ که وظیفه تولید پاسخ را دارد.

مثال:

GPT
Claude
Gemini

Chat Model

مدل‌هایی که برای گفتگو طراحی شده‌اند.

Prompt Template

قالب آماده برای ارسال درخواست به مدل.

مثال:

You are an expert programmer.

Answer the following question:

{question}

Chain

اتصال چند مرحله پردازشی.

Agent

سیستمی که می‌تواند تصمیم بگیرد چه کاری انجام دهد.

Tool

ابزاری که Agent می‌تواند استفاده کند.

Retriever

بخشی که اطلاعات مرتبط را پیدا می‌کند.

Vector Store

محلی برای ذخیره Embeddingها.

معماری LangChain چگونه کار می‌کند؟

برای درک بهتر LangChain باید بدانیم این فریم‌ورک چگونه بین کاربر، مدل هوش مصنوعی و اجزای مختلف یک سیستم قرار می‌گیرد.

در ساده‌ترین حالت، یک برنامه هوش مصنوعی فقط یک درخواست را به مدل ارسال می‌کند:

کاربر

↓

Application

↓

LLM

↓

پاسخ

اما در یک برنامه واقعی، معمولاً اجزای بیشتری وجود دارد:

کاربر

↓

Application

↓

LangChain

↓

┌───────────────┐
│               │
LLM          Tools
│               │
Memory      Database
│               │
RAG        APIs
│               │
└───────────────┘

↓

پاسخ هوشمند

LangChain نقش هماهنگ‌کننده این اجزا را برعهده دارد.

یعنی به‌جای اینکه خودتان منطق اتصال بین مدل، داده، ابزار و فرآیندهای مختلف را از ابتدا پیاده‌سازی کنید، LangChain این الگوهای رایج را در اختیار شما قرار می‌دهد.

تفاوت LLM، Chain و Agent در LangChain

یکی از مهم‌ترین مفاهیم برای شروع کار با LangChain، درک تفاوت بین LLM، Chain و Agent است.

LLM چیست؟

LLM همان مدل زبانی بزرگ است.

مثلاً:

GPT 5.5
Claude
Gemini
DeepSeek
Llama

مدل وظیفه اصلی تولید پاسخ را دارد.

اما خودش نمی‌داند:

چه زمانی باید از ابزار استفاده کند.
چه داده‌ای را باید جستجو کند.
چه مراحلی را باید انجام دهد.

Chain چیست؟

Chain یعنی تعریف یک مسیر مشخص از مراحل.

در Chain، شما از قبل تعیین می‌کنید چه اتفاقی بیفتد.

مثال:

ساخت سیستم تولید توضیحات محصول:

نام محصول

↓

Prompt Template

↓

مدل هوش مصنوعی

↓

بررسی خروجی

↓

ذخیره نتیجه

در این حالت مسیر مشخص است و مدل تصمیم‌گیر اصلی نیست.

Agent چیست؟

Agent یک سیستم تصمیم‌گیر است.

در Agent، شما به مدل اجازه می‌دهید تصمیم بگیرد چه کاری انجام دهد.

مثلاً:

کاربر:

قیمت آخرین سفارش من چقدر است؟

Agent:

تشخیص می‌دهد اطلاعات سفارش لازم است.
ابزار سفارش‌ها را انتخاب می‌کند.
API را فراخوانی می‌کند.
نتیجه را تحلیل می‌کند.
پاسخ نهایی را تولید می‌کند.

ساختار:

User Request

↓

Agent

↓

Reasoning

↓

Tool Selection

↓

Action

↓

Final Answer

به همین دلیل Agentها پایه بسیاری از محصولات جدید هوش مصنوعی هستند.

ساخت اولین Agent با LangChain

برای ساخت یک Agent ساده، معمولاً چند جزء نیاز داریم:

یک مدل هوش مصنوعی
یک یا چند Tool
یک Agent Executor

مثال ساده با Python:

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-5.5"
)

agent = create_agent(
    model=model,
    tools=[]
)

response = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "سلام، خودت را معرفی کن"
            }
        ]
    }
)

print(response)

در یک پروژه واقعی، به جای استفاده مستقیم از یک مدل، می‌توانید مدل را از طریق API درواره فراخوانی کنید.

اتصال LangChain به API درواره

یکی از مزیت‌های مهم LangChain این است که به یک ارائه‌دهنده خاص محدود نیست.

هر سرویسی که API سازگار با OpenAI ارائه دهد، می‌تواند در بسیاری از سناریوها با LangChain استفاده شود.

درواره نیز با ارائه OpenAI-Compatible API این امکان را فراهم می‌کند که توسعه‌دهندگان بتوانند LangChain را به مجموعه‌ای از مدل‌های مختلف متصل کنند.

معماری:

Application

↓

LangChain

↓

API درواره

↓

GPT
Claude
Gemini
DeepSeek
Qwen
و صدها مدل دیگر

مزیت این معماری:

تغییر مدل بدون تغییر کد اصلی
مدیریت ساده API Key
کنترل هزینه
دسترسی به مدل‌های مختلف

استفاده از LangChain با API درواره در Python

نمونه اتصال:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="openai/gpt-5.5",
    openai_api_key="YOUR_DARVAREH_API_KEY",
    openai_api_base="https://api.darvareh.ir/v1"
)

response = llm.invoke(
    "LangChain چیست؟"
)

print(response.content)

در این مثال:

openai_api_key

کلید API دریافتی از درواره است.

openai_api_base

آدرس API درواره است.

بعد از این مرحله، تمام قابلیت‌های LangChain مانند:

Chain
Agent
RAG
Tools
Memory

می‌توانند از مدل‌های موجود در درواره استفاده کنند.

ساخت یک Chain ساده با LangChain

فرض کنید می‌خواهیم یک سیستم تولید عنوان مقاله بسازیم.

فرآیند:

موضوع مقاله

↓

Prompt Template

↓

مدل هوش مصنوعی

↓

عنوان پیشنهادی

نمونه:

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="openai/gpt-5.5",
    openai_api_base="https://api.darvareh.ir/v1",
    openai_api_key="YOUR_API_KEY"
)

prompt = PromptTemplate(
    template=
    "برای موضوع زیر ۵ عنوان جذاب پیشنهاد بده:\n{topic}",
    input_variables=["topic"]
)

chain = prompt | llm

result = chain.invoke(
    {
        "topic": "هوش مصنوعی در کسب‌وکار"
    }
)

print(result.content)

این مثال ساده نشان می‌دهد چگونه LangChain می‌تواند مدل هوش مصنوعی را به یک فرآیند کاربردی تبدیل کند.

LangChain و RAG؛ اتصال هوش مصنوعی به داده‌های اختصاصی

یکی از مهم‌ترین کاربردهای LangChain، ساخت سیستم‌های RAG است.

مدل‌های هوش مصنوعی عمومی، اطلاعات داخلی کسب‌وکار شما را نمی‌دانند.

برای مثال:

یک شرکت می‌خواهد کارمندان بتوانند درباره:

قراردادها
دستورالعمل‌ها
محصولات
مستندات داخلی

از هوش مصنوعی سؤال بپرسند.

راه‌حل، RAG است.

فرآیند:

Documents

↓

Text Splitter

↓

Embeddings

↓

Vector Database

↓

Retriever

↓

LangChain

↓

LLM

↓

Answer

در این معماری، مدل ابتدا اطلاعات مرتبط را پیدا می‌کند و سپس بر اساس آن پاسخ تولید می‌کند.

اجزای RAG در LangChain

Document Loader

برای خواندن داده‌ها استفاده می‌شود.

مثال:

PDF
Word
صفحات وب
فایل‌های متنی
دیتابیس

Text Splitter

اسناد بزرگ را به بخش‌های کوچک‌تر تقسیم می‌کند.

Embedding Model

متن را به بردارهای عددی تبدیل می‌کند.

Vector Database

برای ذخیره و جستجوی بردارها استفاده می‌شود.

نمونه‌ها:

Pinecone
Chroma
Weaviate
Qdrant

Retriever

بخش‌هایی از اطلاعات که به سؤال کاربر مرتبط هستند را پیدا می‌کند.

ساخت یک سیستم RAG کامل با LangChain

یکی از مهم‌ترین کاربردهای LangChain در دنیای واقعی، ساخت سیستم‌های RAG است.

RAG به مدل هوش مصنوعی اجازه می‌دهد به اطلاعاتی دسترسی داشته باشد که در زمان آموزش مدل وجود نداشته‌اند.

برای مثال:

فرض کنید یک شرکت هزاران سند داخلی دارد:

قراردادها
راهنماهای محصول
مستندات فنی
دستورالعمل‌های سازمانی
فایل‌های آموزشی

به‌جای اینکه این اطلاعات را به‌صورت دستی وارد Prompt کنیم، یک سیستم RAG می‌سازیم که هنگام سؤال کاربر، اطلاعات مرتبط را پیدا کرده و در اختیار مدل قرار می‌دهد.

معماری کامل:

کاربر

↓

سؤال

↓

Embedding سؤال

↓

Vector Database

↓

بازیابی اسناد مرتبط

↓

LangChain Retriever

↓

LLM

↓

پاسخ نهایی

مراحل ساخت RAG با LangChain

مرحله اول: دریافت اسناد

ابتدا باید داده‌های مورد نیاز را وارد سیستم کنیم.

منابع داده می‌توانند شامل موارد زیر باشند:

PDF
فایل‌های Word
صفحات وب
Markdown
دیتابیس
فایل‌های CSV
مستندات API

LangChain برای بسیاری از این منابع Loader آماده دارد.

مثال:

from langchain_community.document_loaders import PyPDFLoader

loader = PyPDFLoader(
    "company-document.pdf"
)

documents = loader.load()

مرحله دوم: تقسیم متن به بخش‌های کوچک‌تر

مدل‌های هوش مصنوعی معمولاً نمی‌توانند یک سند بسیار بزرگ را به‌صورت مستقیم پردازش کنند.

بنابراین متن به بخش‌های کوچک‌تر تقسیم می‌شود.

مثال:

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)

chunks = splitter.split_documents(
    documents
)

در این مرحله:

chunk_size اندازه هر بخش است.
chunk_overlap باعث حفظ ارتباط بین بخش‌ها می‌شود.

مرحله سوم: ایجاد Embedding

Embedding یعنی تبدیل متن به یک نمایش عددی که مفهوم متن را حفظ می‌کند.

مثلاً:

دو جمله:

چگونه API دریافت کنم؟

روش گرفتن کلید دسترسی چیست؟

از نظر کلمات متفاوت هستند، اما از نظر مفهوم مشابه‌اند.

Embedding این شباهت را تشخیص می‌دهد.

مرحله چهارم: ذخیره در Vector Database

بعد از تبدیل متن به Embedding، داده‌ها در یک Vector Database ذخیره می‌شوند.

نمونه‌ها:

Qdrant
Chroma
Pinecone
Weaviate

ساختار:

Document

↓

Embedding

↓

Vector Database

مرحله پنجم: بازیابی اطلاعات مرتبط

وقتی کاربر سؤال می‌پرسد:

مثلاً:

شرایط استفاده از سرویس چیست؟

Retriever نزدیک‌ترین اطلاعات را پیدا می‌کند.

سپس:

سؤال کاربر
اطلاعات پیدا شده

به مدل هوش مصنوعی ارسال می‌شوند.

LangChain Agent چگونه با ابزارها کار می‌کند؟

یکی از جذاب‌ترین قابلیت‌های LangChain، ساخت Agentهایی است که می‌توانند از ابزارهای مختلف استفاده کنند.

فرض کنید یک Agent فروش دارید.

کاربر می‌پرسد:

آیا محصول X موجود است؟

Agent می‌تواند:

تشخیص دهد نیاز به بررسی موجودی دارد.
ابزار Inventory را انتخاب کند.
API انبار را صدا بزند.
پاسخ مناسب تولید کند.

معماری:

User

↓

Agent

↓

Reasoning

↓

Tool Selection

↓

External System

↓

Answer

مثال ساخت Tool در LangChain

فرض کنیم یک تابع داریم که وضعیت آب‌وهوا را برمی‌گرداند.

from langchain.tools import tool

@tool
def get_weather(city: str):
    """
    دریافت وضعیت آب و هوا
    """
    return f"Weather information for {city}"

حالا Agent می‌تواند در صورت نیاز از این ابزار استفاده کند.

LangGraph چیست و چه ارتباطی با LangChain دارد؟

با پیچیده‌تر شدن Agentها، مدیریت جریان‌های چندمرحله‌ای دشوار می‌شود.

اینجاست که LangGraph وارد می‌شود.

LangGraph یک فریم‌ورک برای ساخت Workflowهای پیچیده Agent است.

در یک Agent ساده:

Question

↓

Agent

↓

Answer

اما در یک سیستم واقعی:

Question

↓

Planner

↓

Research Agent

↓

Data Agent

↓

Validation Agent

↓

Final Response

LangGraph کمک می‌کند این جریان‌ها را مدیریت کنیم.

کاربردهای LangGraph:

Multi-Agent Systems
Workflowهای پیچیده
Agentهای سازمانی
فرآیندهای چندمرحله‌ای

LangSmith چیست؟

وقتی یک برنامه مبتنی بر LangChain ساخته می‌شود، بررسی عملکرد آن اهمیت زیادی دارد.

برای مثال:

چرا Agent پاسخ اشتباه داد؟
کدام Prompt بهتر عمل می‌کند؟
کدام مدل هزینه بیشتری دارد؟
زمان پاسخ چقدر است؟

LangSmith ابزار مانیتورینگ و ارزیابی برنامه‌های LangChain است.

قابلیت‌ها:

مشاهده Traceها
بررسی Promptها
ارزیابی خروجی مدل
تست Agentها
Debug کردن Workflow

برای پروژه‌های سازمانی، ابزارهایی مانند LangSmith اهمیت زیادی پیدا می‌کنند.

LangChain در برابر استفاده مستقیم از API

یک سؤال رایج:

چرا مستقیم API مدل را صدا نزنیم؟

برای پروژه‌های ساده، استفاده مستقیم از API ممکن است کافی باشد.

مثلاً:

کاربر

↓

API

↓

مدل

↓

پاسخ

اما در پروژه‌های حرفه‌ای:

نیاز دارید:

چند مدل داشته باشید.
RAG بسازید.
ابزار اضافه کنید.
Memory داشته باشید.
Agent بسازید.

اینجاست که LangChain ارزش خود را نشان می‌دهد.

مقایسه:

قابلیت	API مستقیم	LangChain
ارسال درخواست به مدل	✅	✅
مدیریت Prompt	محدود	✅
ساخت Chain	❌	✅
ساخت Agent	❌	✅
RAG	دستی	✅
Tools	دستی	✅
Memory	دستی	✅

استفاده سازمانی از LangChain

LangChain یکی از محبوب‌ترین انتخاب‌ها برای ساخت سیستم‌های هوش مصنوعی سازمانی است.

کاربردها:

دستیار داخلی کارکنان

مثال:

کارمند سؤال می‌پرسد:

قوانین مرخصی چیست؟

Agent:

مستندات منابع انسانی را جستجو می‌کند.
پاسخ دقیق ارائه می‌دهد.

دستیار مشتریان

ترکیب:

CRM
Knowledge Base
LangChain
LLM

می‌تواند یک سیستم پاسخ‌گویی هوشمند ایجاد کند.

تحلیل اسناد

برای:

قراردادها
گزارش‌ها
صورت‌های مالی

RAG مبتنی بر LangChain می‌تواند بسیار کاربردی باشد.

دستیار برنامه‌نویسی داخلی

شرکت‌ها می‌توانند Agentهایی بسازند که:

مستندات فنی را جستجو کنند.
کدهای داخلی را تحلیل کنند.
پیشنهاد توسعه ارائه دهند.

چرا LangChain + API درواره ترکیب قدرتمندی است؟

LangChain به شما امکان ساخت برنامه‌های هوشمند را می‌دهد.

اما برای عملکرد واقعی، به یک زیرساخت مدل قدرتمند نیاز دارد.

درواره این بخش را ساده می‌کند.

معماری:

Application

↓

LangChain

↓

API درواره

↓

صدها مدل هوش مصنوعی

↓

GPT
Claude
Gemini
DeepSeek
Qwen
و سایر مدل‌ها

مزایا:

عدم وابستگی به یک مدل
تغییر آسان Provider
مدیریت ساده API Key
کنترل هزینه
دسترسی به مدل‌های مختلف

برای توسعه‌دهندگان ایرانی، این معماری باعث می‌شود بدون پیچیدگی‌های پرداخت و مدیریت چند سرویس، برنامه‌های مبتنی بر هوش مصنوعی بسازند.

مثال کامل LangChain با Python و API درواره

در این بخش یک نمونه واقعی از اتصال LangChain به API درواره را بررسی می‌کنیم.

هدف این مثال:

اتصال LangChain به یک مدل هوش مصنوعی
ارسال درخواست
دریافت پاسخ
استفاده از همان معماری برای ساخت Agentهای پیشرفته‌تر

از آنجا که API درواره با استاندارد OpenAI-Compatible کار می‌کند، می‌توان از کلاینت‌های استاندارد LangChain برای اتصال استفاده کرد.

ابتدا پکیج‌های مورد نیاز را نصب کنید:

pip install langchain langchain-openai

سپس می‌توانیم مدل را تعریف کنیم:

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="openai/gpt-5.5",
    openai_api_key="YOUR_DARVAREH_API_KEY",
    openai_api_base="https://api.darvareh.ir/v1"
)

response = llm.invoke(
    "توضیح بده LangChain چیست."
)

print(response.content)

در این مثال:

model

مدل هوش مصنوعی مورد استفاده را مشخص می‌کند.

openai_api_key

کلید API دریافت‌شده از درواره است.

openai_api_base

آدرس API درواره است.

بعد از این مرحله، LangChain مانند زمانی که مستقیم به OpenAI متصل است، می‌تواند از مدل استفاده کند.

ساخت Prompt Template در LangChain

یکی از قابلیت‌های مهم LangChain، مدیریت حرفه‌ای Promptها است.

به جای اینکه متن درخواست را در کد ثابت بنویسیم، می‌توانیم Template ایجاد کنیم.

مثال:

from langchain.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    """
    شما یک متخصص برنامه‌نویسی هستید.

    سؤال کاربر:
    {question}

    پاسخ دقیق ارائه بده.
    """
)

حالا این Prompt می‌تواند با مدل ترکیب شود:

chain = prompt | llm

result = chain.invoke(
    {
        "question": "RAG چیست؟"
    }
)

print(result.content)

این الگو پایه بسیاری از برنامه‌های حرفه‌ای مبتنی بر LangChain است.

ساخت یک Agent ساده با LangChain و API درواره

حالا یک قدم جلوتر می‌رویم و یک Agent ایجاد می‌کنیم.

فرض کنید می‌خواهیم Agentی بسازیم که بتواند از ابزارهای مختلف استفاده کند.

ابتدا یک Tool تعریف می‌کنیم:

from langchain.tools import tool

@tool
def calculator(expression: str):
    """
    محاسبه عبارت‌های ریاضی
    """
    return eval(expression)

حالا مدل می‌تواند در صورت نیاز این ابزار را انتخاب کند.

معماری:

کاربر

↓

Agent

↓

تشخیص نیاز

↓

Calculator Tool

↓

مدل هوش مصنوعی

↓

پاسخ

این همان مفهومی است که Agentها را از Chatbotهای ساده جدا می‌کند.

مثال LangChain با JavaScript و TypeScript

بسیاری از توسعه‌دهندگان با اکوسیستم JavaScript کار می‌کنند.

LangChain برای Node.js نیز کتابخانه رسمی دارد.

نصب:

npm install langchain @langchain/openai

نمونه اتصال:

import { ChatOpenAI } from "@langchain/openai";

const model = new ChatOpenAI({
  modelName: "openai/gpt-5.5",
  openAIApiKey: "YOUR_DARVAREH_API_KEY",
  configuration: {
    baseURL: "https://api.darvareh.ir/v1"
  }
});

const response = await model.invoke(
  "LangChain چیست؟"
);

console.log(response.content);

این یعنی می‌توانید:

Next.js
Node.js
NestJS
Express

را به مدل‌های هوش مصنوعی متصل کنید.

بهترین معماری برای ساخت AI Agent سازمانی

برای ساخت یک سیستم هوش مصنوعی واقعی در سازمان، معمولاً یک مدل ساده کافی نیست.

یک معماری استاندارد:

کاربر

↓

Frontend

↓

Backend API

↓

LangChain / LangGraph

↓

┌───────────────────┐
│                   │
LLM              Tools
│                   │
RAG              APIs
│                   │
Memory           Database
│                   │
└───────────────────┘

↓

API درواره

↓

مدل‌های هوش مصنوعی

در این معماری:

Frontend:

رابط کاربر را مدیریت می‌کند.

Backend:

منطق کسب‌وکار را اجرا می‌کند.

LangChain:

هماهنگی بین Agent، مدل و ابزارها را انجام می‌دهد.

درواره:

لایه دسترسی به مدل‌های هوش مصنوعی را فراهم می‌کند.

LangChain در برابر LlamaIndex؛ کدام را انتخاب کنیم؟

دو فریم‌ورک بسیار محبوب در دنیای AI Application عبارت‌اند از:

LangChain
LlamaIndex

هر دو ابزارهای قدرتمندی هستند اما تمرکز متفاوتی دارند.

ویژگی	LangChain	LlamaIndex
ساخت Agent	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
RAG	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
اتصال ابزارها	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
Workflow پیچیده	⭐⭐⭐⭐⭐	⭐⭐⭐
کار با داده‌ها	⭐⭐⭐⭐	⭐⭐⭐⭐⭐

به‌صورت کلی:

اگر هدف شما ساخت:

Agent
Workflow
ابزارهای هوشمند
اتوماسیون

است، LangChain انتخاب بسیار خوبی است.

اگر تمرکز شما:

جستجو در اسناد
Knowledge Base
RAG

است، LlamaIndex گزینه بسیار قدرتمندی است.

در بسیاری از پروژه‌های حرفه‌ای حتی از ترکیب هر دو استفاده می‌شود.

آیا LangChain جایگزین مدل هوش مصنوعی است؟

خیر.

این یکی از اشتباهات رایج درباره LangChain است.

LangChain خودش مدل هوش مصنوعی نیست.

نقش‌ها:

بخش	وظیفه
GPT / Claude / Gemini	تولید پاسخ
LangChain	ساخت منطق برنامه
Vector Database	ذخیره اطلاعات
API Provider	اتصال به مدل

به زبان ساده:

مدل هوش مصنوعی مغز است.

LangChain سیستم عصبی و ابزارهای ارتباطی آن است.

چه پروژه‌هایی را می‌توان با LangChain ساخت؟

دستیار هوشمند سازمانی

مثال:

یک کارمند سؤال می‌پرسد:

آخرین دستورالعمل فروش چیست؟

Agent:

اسناد را جستجو می‌کند.
اطلاعات مرتبط را پیدا می‌کند.
پاسخ تولید می‌کند.

چت‌بات مبتنی بر دانش اختصاصی

مثال:

شرکت‌های SaaS می‌توانند:

مستندات محصول
FAQ
راهنماها

را وارد سیستم کنند و یک دستیار پاسخ‌گو بسازند.

دستیار تحلیل داده

Agent می‌تواند:

دیتابیس را بررسی کند.
گزارش تولید کند.
روندها را تحلیل کند.

دستیار برنامه‌نویسی داخلی

برای تیم‌های بزرگ:

جستجوی کدها
توضیح معماری
پیشنهاد تغییرات

آینده LangChain و توسعه برنامه‌های هوش مصنوعی

مسیر توسعه نرم‌افزار به سمت برنامه‌هایی حرکت می‌کند که فقط پاسخ نمی‌دهند، بلکه اقدام می‌کنند.

نسل جدید نرم‌افزارها:

هدف را دریافت می‌کنند.
برنامه‌ریزی می‌کنند.
ابزار انتخاب می‌کنند.
عملیات انجام می‌دهند.
نتیجه را ارائه می‌کنند.

LangChain یکی از مهم‌ترین ابزارها برای ساخت این نسل جدید از نرم‌افزارهاست.

اشتباهات رایج هنگام استفاده از LangChain

با وجود قدرت و انعطاف بالای LangChain، بسیاری از پروژه‌های هوش مصنوعی به دلیل طراحی نادرست یا انتخاب معماری نامناسب، به نتیجه مطلوب نمی‌رسند.

در ادامه مهم‌ترین اشتباهات رایج را بررسی می‌کنیم.

۱. استفاده از LangChain بدون نیاز واقعی

یکی از اشتباهات رایج این است که برای هر پروژه کوچک از LangChain استفاده شود.

اگر فقط می‌خواهید:

یک سؤال به مدل ارسال کنید.
یک پاسخ دریافت کنید.

استفاده مستقیم از API ممکن است کافی باشد.

اما زمانی که نیاز دارید:

چند مرحله پردازش داشته باشید.
Agent بسازید.
به داده‌های اختصاصی متصل شوید.
ابزار اضافه کنید.

LangChain ارزش واقعی خود را نشان می‌دهد.

۲. انتخاب اشتباه مدل هوش مصنوعی

LangChain کیفیت خروجی مدل را افزایش نمی‌دهد؛ فقط ساخت برنامه را ساده‌تر می‌کند.

اگر مدل نامناسب انتخاب شود:

پاسخ‌ها ضعیف می‌شوند.
هزینه افزایش پیدا می‌کند.
عملکرد سیستم کاهش می‌یابد.

یک معماری حرفه‌ای معمولاً چند مدل دارد:

برای کارهای پیچیده:

مدل‌های قدرتمند

برای کارهای روزمره:

مدل‌های سریع‌تر

برای حجم بالا:

مدل‌های اقتصادی

با استفاده از API درواره می‌توانید این انتخاب را بر اساس نیاز پروژه انجام دهید.

۳. طراحی Agent بدون محدودیت

یکی از جذاب‌ترین قابلیت‌های LangChain ساخت Agent است.

اما Agentهای بدون محدودیت می‌توانند مشکلاتی ایجاد کنند.

مثلاً:

هزینه زیاد API
اجرای عملیات ناخواسته
رفتار غیرقابل پیش‌بینی

در پروژه‌های حرفه‌ای باید:

ابزارها محدود شوند.
دسترسی‌ها کنترل شوند.
مراحل حساس تأیید انسانی داشته باشند.

۴. نادیده گرفتن کیفیت داده در RAG

در سیستم‌های RAG، کیفیت پاسخ بیشتر از هر چیز به کیفیت داده بستگی دارد.

مشکلات رایج:

اسناد قدیمی
Chunk بندی نامناسب
Embedding ضعیف
نبود Metadata

یک سیستم RAG خوب نیازمند:

داده تمیز
ساختار مناسب
Retrieval دقیق

است.

۵. نداشتن مانیتورینگ

در پروژه‌های واقعی باید بدانید:

کدام Prompt بهتر عمل می‌کند؟
کدام مدل هزینه بیشتری دارد؟
چرا Agent یک تصمیم خاص گرفته است؟

ابزارهایی مانند LangSmith یا سیستم‌های Observability برای این موضوع استفاده می‌شوند.

چک‌لیست شروع یک پروژه LangChain

اگر قصد دارید اولین پروژه LangChain خود را بسازید، این مسیر پیشنهاد می‌شود:

مرحله اول: مشخص کردن هدف

ابتدا مشخص کنید:

مشکل چیست؟
کاربر چه کاری انجام می‌دهد؟
خروجی مورد انتظار چیست؟

مرحله دوم: انتخاب معماری

تصمیم بگیرید:

آیا نیاز دارید به:

Chain؟
Agent؟
RAG؟
Workflow چندمرحله‌ای؟

مرحله سوم: انتخاب مدل

بر اساس نیاز:

کیفیت
سرعت
هزینه

مدل مناسب را انتخاب کنید.

مرحله چهارم: اتصال API

یک Provider مناسب انتخاب کنید.

با API درواره می‌توانید:

مدل‌های مختلف را آزمایش کنید.
Provider خود را تغییر دهید.
هزینه را مدیریت کنید.

مرحله پنجم: اضافه کردن داده و ابزار

در صورت نیاز:

Database
API
فایل‌ها
Knowledge Base

را به Agent اضافه کنید.

مرحله ششم: تست و بهینه‌سازی

بررسی کنید:

کیفیت پاسخ
زمان پاسخ
هزینه مصرف
خطاهای احتمالی

چرا توسعه‌دهندگان LangChain را به API درواره متصل می‌کنند؟

ساخت یک برنامه هوش مصنوعی فقط به انتخاب فریم‌ورک محدود نمی‌شود.

شما به یک لایه دسترسی مطمئن به مدل‌ها نیاز دارید.

ترکیب:

LangChain

+

API درواره

+

مدل‌های هوش مصنوعی

=

برنامه هوشمند قابل توسعه

مزایای این معماری:

دسترسی به مدل‌های متنوع

به جای طراحی سیستم برای یک مدل خاص، می‌توانید از مدل‌های مختلف استفاده کنید.

کاهش پیچیدگی مدیریت Providerها

بدون نیاز به:

چند حساب
چند API Key
چند روش پرداخت

انعطاف‌پذیری در توسعه

اگر یک مدل جدید منتشر شود، می‌توانید آن را به جریان کاری خود اضافه کنید بدون اینکه معماری برنامه را تغییر دهید.

مناسب برای توسعه محصول

برای استارتاپ‌ها و شرکت‌هایی که روی محصولات AI کار می‌کنند، داشتن یک لایه API پایدار باعث سرعت بیشتر توسعه می‌شود.

کاربرد LangChain در محصولات هوش مصنوعی آینده

نسل جدید نرم‌افزارها دیگر فقط صفحات و فرم‌ها نیستند.

در آینده بسیاری از محصولات شامل Agentهایی خواهند بود که:

با کاربر صحبت می‌کنند.
اطلاعات جمع‌آوری می‌کنند.
تصمیم پیشنهاد می‌دهند.
عملیات انجام می‌دهند.

نمونه‌ها:

دستیار فروش هوشمند

Agent:

مشتری را تحلیل می‌کند.
محصولات مناسب پیشنهاد می‌دهد.
اطلاعات CRM را بررسی می‌کند.

دستیار منابع انسانی

Agent:

آیین‌نامه‌ها را جستجو می‌کند.
به کارکنان پاسخ می‌دهد.
فرآیندهای داخلی را ساده می‌کند.

دستیار توسعه نرم‌افزار

Agent:

کد را بررسی می‌کند.
Bug پیدا می‌کند.
تست ایجاد می‌کند.
مستندات تولید می‌کند.

سوالات متداول درباره LangChain

LangChain چیست؟

LangChain یک فریم‌ورک متن‌باز برای ساخت برنامه‌های مبتنی بر مدل‌های هوش مصنوعی است که امکان اتصال LLMها به داده‌ها، ابزارها و منطق برنامه را فراهم می‌کند.

آیا LangChain خودش یک مدل هوش مصنوعی است؟

خیر. LangChain مدل هوش مصنوعی نیست و برای تولید پاسخ به یک مدل مانند GPT، Claude یا Gemini نیاز دارد.

LangChain برای چه زبان‌هایی استفاده می‌شود؟

نسخه‌های اصلی LangChain برای:

Python
JavaScript / TypeScript

ارائه شده‌اند.

آیا LangChain رایگان است؟

بله، خود فریم‌ورک LangChain متن‌باز است؛ اما استفاده از مدل‌های هوش مصنوعی ممکن است هزینه API داشته باشد.

تفاوت LangChain و ChatGPT چیست؟

ChatGPT یک محصول آماده برای استفاده از هوش مصنوعی است.

LangChain یک ابزار توسعه برای ساخت نرم‌افزارهای مبتنی بر هوش مصنوعی است.

آیا می‌توان LangChain را به API درواره متصل کرد؟

بله. به دلیل سازگاری API درواره با استاندارد OpenAI، می‌توان از آن در پروژه‌های LangChain استفاده کرد.

LangChain بهتر است یا LlamaIndex؟

بستگی به کاربرد دارد.

LangChain برای:

Agent
Workflow
Tools

بسیار مناسب است.

LlamaIndex بیشتر برای:

RAG
جستجو در داده‌ها
Knowledge Base

تمرکز دارد.

آیا LangChain برای پروژه‌های سازمانی مناسب است؟

بله. بسیاری از کاربردهای سازمانی مانند دستیار داخلی، تحلیل اسناد، Agentهای فروش و سیستم‌های RAG با LangChain ساخته می‌شوند.

جمع‌بندی نهایی: LangChain؛ زیرساخت ساخت نسل جدید برنامه‌های هوش مصنوعی

مدل‌های هوش مصنوعی مانند GPT، Claude و Gemini توانایی بسیار بالایی دارند، اما برای ساخت یک محصول واقعی معمولاً به چیزی بیشتر از یک مدل نیاز داریم.

ما نیاز داریم:

مدل را به داده‌ها متصل کنیم.
ابزار اضافه کنیم.
حافظه ایجاد کنیم.
فرآیندهای چندمرحله‌ای بسازیم.
Agent ایجاد کنیم.

LangChain این امکان را فراهم می‌کند.

با استفاده از LangChain می‌توانید:

✅ برنامه‌های مبتنی بر LLM بسازید.
✅ Agentهای هوشمند طراحی کنید.
✅ سیستم‌های RAG ایجاد کنید.
✅ مدل‌های مختلف را ترکیب کنید.
✅ هوش مصنوعی را وارد محصولات واقعی کنید.

و با اتصال LangChain به API درواره، می‌توانید این برنامه‌ها را به مجموعه‌ای گسترده از مدل‌های هوش مصنوعی متصل کنید.

🚀 پروژه هوش مصنوعی خود را با LangChain و درواره بسازید

اگر در حال توسعه یک Agent، چت‌بات، سیستم RAG یا محصول مبتنی بر هوش مصنوعی هستید، درواره یک زیرساخت ساده و قابل توسعه برای دسترسی به مدل‌های مختلف فراهم می‌کند.

با API درواره:

به صدها مدل هوش مصنوعی دسترسی دارید.
فقط یک API Key مدیریت می‌کنید.
می‌توانید مدل مناسب هر کاربرد را انتخاب کنید.
مصرف و هزینه را مدیریت کنید.
بدون پیچیدگی پرداخت‌های بین‌المللی از مدل‌های پیشرفته استفاده کنید.

درواره؛ دروازۀ مدل‌های هوش مصنوعی.