راه‌اندازی محیط کار: LangChain، LangGraph و Chat LLMs

یک بار دو ساعت وقت صرف عیب‌یابی (debugging) یک پروژه LangChain کردم. مشکل فقط یک متغیر محیطی (environment variable) مفقود شده بود. کلید API من در یک فایل .env بود، اما فراموش کرده بودم آن را بارگذاری کنم.

این راهنما را نوشتم تا شما مثل من وقت خود را تلف نکنید.

شما یاد خواهید گرفت که چگونه یک محیط پایتون فعال با LangChain، LangGraph و یک Chat LLM راه‌اندازی کنید.

بسته‌های مورد نیاز:

مرحله ۱: بررسی نسخه پایتون

LangChain به پایتون ۳.۹ یا بالاتر نیاز دارد. این دستور را در ترمینال خود اجرا کنید: python --version

مرحله ۲: ایجاد یک محیط مجازی (Virtual Environment)

همیشه برای جلوگیری از تداخل وابستگی‌ها (dependency conflicts) از یک محیط مجازی استفاده کنید.

mkdir langchain-agents-series
cd langchain-agents-series
python -m venv venv

برای فعال‌سازی در Mac/Linux: source venv/bin/activate

برای فعال‌سازی در Windows: venv\Scripts\activate

مرحله ۳: نصب وابستگی‌ها

در حالی که محیط شما فعال است، دستور زیر را اجرا کنید: pip install langchain langchain-openai langchain-core langgraph python-dotenv openai

مرحله ۴: ایمن‌سازی کلیدهای API خود

هرگز کلید API خود را مستقیماً در کد بنویسید (hardcode). این کار خطرناک است. اگر آن را در GitHub منتشر کنید، ربات‌ها آن را می‌دزدند.

۱. ایجاد یک فایل .env: touch .env ۲. اضافه کردن کلید: OPENAI_API_KEY=your-key-here ۳. ایجاد یک فایل .gitignore برای مخفی کردن پوشه‌های .env و venv.

مرحله ۵: اولین عامل (Agent) شما

فایلی به نام hello_agent.py ایجاد کنید. از تابع load_dotenv() برای خواندن کلیدهای خود استفاده کنید.

هنگام ساخت عامل‌ها از temperature=0 استفاده کنید. این کار باعث می‌شود خروجی مدل قابل پیش‌بینی و ثابت باشد.

خطاهای رایجی که باید مراقب آن‌ها باشید:

بهترین تمرین‌ها (Best Practices):

Source: https://dev.to/ikram_khan/setting-up-your-environment-langchain-langgraph-chat-llms-43cf

جامعه یادگیری اختیاری: https://t.me/GyaanSetuAi