𝗦𝗲𝘁𝘁𝗶𝗻𝗴 𝗨𝗽 𝗬𝗼𝘂𝗿 𝗘𝗻𝘃𝗶𝗿𝗼𝗻𝗺𝗲𝗻𝘁: 𝗟𝗮𝗻𝗴𝗖𝗵𝗮𝗶𝗻, 𝗟𝗮𝗻𝗴𝗚𝗿𝗮𝗽𝗵 & 𝗖𝗵𝗮𝘁 𝗟𝗟𝗠𝘀

ನಾನು ಒಮ್ಮೆ LangChain ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಡಿಬಗ್ ಮಾಡಲು (debugging) ಎರಡು ಗಂಟೆಗಳನ್ನು ವ್ಯಯಿಸಿದೆ. ಸಮಸ್ಯೆ ಏನೆಂದರೆ ಒಂದು environment variable ಮರೆತುಹೋಗಿತ್ತು. ನನ್ನ API key ಒಂದು .env ಫೈಲ್‌ನಲ್ಲಿದೆ, ಆದರೆ ಅದನ್ನು ಲೋಡ್ ಮಾಡಲು ನಾನು ಮರೆತಿದ್ದೆ.

ನಾನು ಮಾಡಿದಂತೆಯೇ ನೀವು ಸಮಯ ವ್ಯರ್ಥ ಮಾಡಬಾರದು ಎಂಬ ಉದ್ದೇಶದಿಂದ ಈ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಬರೆದಿದ್ದೇನೆ.

LangChain, LangGraph ಮತ್ತು Chat LLM ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ Python ಪರಿಸರವನ್ನು (environment) ಹೇಗೆ ಸಿದ್ಧಪಡಿಸುವುದು ಎಂಬುದನ್ನು ನೀವು ಇಲ್ಲಿ ಕಲಿಯುವಿರಿ.

Required Packages:

Step 1: Python ಆವೃತ್ತಿಯನ್ನು (Version) ಪರಿಶೀಲಿಸಿ LangChain ಗೆ Python 3.9 ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಆವೃತ್ತಿ ಬೇಕು. ನಿಮ್ಮ ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ ಇದನ್ನು ರನ್ ಮಾಡಿ: python --version

Step 2: ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ (Virtual Environment) ರಚಿಸಿ ಡಿಪೆಂಡೆನ್ಸಿ ಸಂಘರ್ಷಗಳನ್ನು (dependency conflicts) ತಪ್ಪಿಸಲು ಯಾವಾಗಲೂ ವರ್ಚುವಲ್ ಎನ್ವಿರಾನ್ಮೆಂಟ್ ಬಳಸಿ.

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

Mac/Linux ನಲ್ಲಿ ಸಕ್ರಿಯಗೊಳಿಸಲು: source venv/bin/activate

Windows ನಲ್ಲಿ ಸಕ್ರಿಯಗೊಳಿಸಲು: venv\Scripts\activate

Step 3: ಡಿಪೆಂಡೆನ್ಸಿಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ ನಿಮ್ಮ ಎನ್ವಿರಾನ್ಮೆಂಟ್ ಸಕ್ರಿಯವಾಗಿದ್ದಾಗ, ಇದನ್ನು ರನ್ ಮಾಡಿ: pip install langchain langchain-openai langchain-core langgraph python-dotenv openai

Step 4: ನಿಮ್ಮ API ಕೀಗಳನ್ನು ಸುರಕ್ಷಿತವಾಗಿರಿಸಿ ನಿಮ್ಮ ಕೋಡ್‌ನಲ್ಲಿ API ಕೀಯನ್ನು ಎಂದಿಗೂ ಹಾರ್ಡ್‌ಕೋಡ್ (hardcode) ಮಾಡಬೇಡಿ. ಇದು ಅಪಾಯಕಾರಿ. ನೀವು ಅದನ್ನು GitHub ಗೆ ಪುಶ್ ಮಾಡಿದರೆ, ಬಾಟ್‌ಗಳು (bots) ಅದನ್ನು ಕದಿಯುತ್ತವೆ.

  1. .env ಫೈಲ್ ರಚಿಸಿ: touch .env
  2. ನಿಮ್ಮ ಕೀಯನ್ನು ಸೇರಿಸಿ: OPENAI_API_KEY=your-key-here
  3. ನಿಮ್ಮ .env ಮತ್ತು venv ಫೋಲ್ಡರ್‌ಗಳನ್ನು ಮರೆಮಾಚಲು .gitignore ಫೈಲ್ ರಚಿಸಿ.

Step 5: ನಿಮ್ಮ ಮೊದಲ ಏಜೆಂಟ್ hello_agent.py ಎಂಬ ಹೆಸರಿನ ಫೈಲ್ ರಚಿಸಿ. ನಿಮ್ಮ ಕೀಗಳನ್ನು ಓದಲು load_dotenv() ಫಂಕ್ಷನ್ ಬಳಸಿ.

ಏಜೆಂಟ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ temperature=0 ಬಳಸಿ. ಇದು ಮಾಡೆಲ್‌ನ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಊಹಿಸಬಹುದಾದ ಮತ್ತು ಸ್ಥಿರವಾಗಿರುವಂತೆ ಮಾಡುತ್ತದೆ.

Common Errors to Watch For:

Best Practices:

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

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi