𝗦𝗲𝘁𝘁𝗶𝗻𝗴 𝗨𝗽 𝗬𝗼𝘂𝗿 𝗘𝗻𝘃𝗶𝗿𝗼𝗻𝗺𝗲𝗻𝘁: 𝗟𝗮𝗻𝗴𝗖𝗵𝗮𝗶𝗻, 𝗟𝗮𝗻𝗴𝗚𝗿𝗮𝗽𝗵 & 𝗖𝗵𝗮𝘁 𝗟𝗟𝗠𝘀

મેં એકવાર LangChain પ્રોજેક્ટને ડિબગ કરવામાં બે કલાક વિતાવ્યા હતા. સમસ્યા માત્ર એક ખૂટતી એન્વાયરમેન્ટ વેરિયેબલ (environment variable) ની હતી. મારી API કી .env ફાઇલમાં હતી, પરંતુ હું તેને લોડ કરવાનું ભૂલી ગયો હતો.

મેં આ માર્ગદર્શિકા એટલા માટે લખી છે જેથી તમે મારા જેવો સમય બગાડો નહીં.

તમે LangChain, LangGraph અને Chat LLM સાથે કામ કરી શકાય તેવી Python એન્વાયરમેન્ટ સેટઅપ કરતા શીખશો.

Required Packages:

Step 1: Python વર્ઝન તપાસો LangChain માટે Python 3.9 અથવા તેનાથી ઉપરનું વર્ઝન જરૂરી છે. તમારા ટર્મિનલમાં આ રન કરો: python --version

Step 2: વર્ચ્યુઅલ એન્વાયરમેન્ટ બનાવો ડિપેન્ડન્સી (dependency) વિવાદો ટાળવા માટે હંમેશા વર્ચ્યુઅલ એન્વાયરમેન્ટનો ઉપયોગ કરો.

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

Mac/Linux પર એક્ટિવેટ કરવા માટે: source venv/bin/activate

Windows પર એક્ટિવેટ કરવા માટે: venv\Scripts\activate

Step 3: ડિપેન્ડન્સીઝ ઇન્સ્ટોલ કરો તમારી એન્વાયરમેન્ટ એક્ટિવ હોય ત્યારે, આ રન કરો: pip install langchain langchain-openai langchain-core langgraph python-dotenv openai

Step 4: તમારી API કી સુરક્ષિત કરો તમારા કોડમાં ક્યારેય API કી હાર્ડકોડ (hardcode) ન કરો. આ જોખમી છે. જો તમે તેને GitHub પર પુશ કરશો, તો બોટ્સ તેને ચોરી લેશે.

  1. .env ફાઇલ બનાવો: touch .env
  2. તમારી કી ઉમેરો: OPENAI_API_KEY=your-key-here
  3. તમારી .env અને venv ફોલ્ડર્સ છુપાવવા માટે .gitignore ફાઇલ બનાવો.

Step 5: તમારો પહેલો એજન્ટ hello_agent.py નામની ફાઇલ બનાવો. તમારી કી વાંચવા માટે load_dotenv() ફંક્શનનો ઉપયોગ કરો.

એજન્ટ્સ બનાવતી વખતે temperature=0 નો ઉપયોગ કરો. આ મોડલના આઉટપુટને અનુમાનિત (predictable) અને સુસંગત (consistent) બનાવે છે.

Common Errors to Watch For:

Best Practices:

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

વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi