apna ماحول ترتیب دینا: LangChain، LangGraph اور Chat LLMs

میں نے ایک بار LangChain پروجیکٹ کو ڈی بگ (debug) کرنے میں دو گھنٹے ضائع کیے۔ مسئلہ صرف ایک غائب انوائرمنٹ ویری ایبل (environment variable) کا تھا۔ میری API key ایک .env فائل میں تھی، لیکن میں اسے لوڈ کرنا بھول گیا تھا۔

میں نے یہ گائیڈ اس لیے لکھی ہے تاکہ آپ میرا وقت ضائع نہ کریں۔

آپ LangChain، LangGraph اور ایک Chat LLM کے ساتھ ایک فعال Python ماحول ترتیب دینا سیکھیں گے۔

مطلوبہ پیکجز (Required Packages):

مرحلہ 1: Python ورژن چیک کریں LangChain کے لیے Python 3.9 یا اس سے نیا ورژن درکار ہے۔ اپنے ٹرمینل میں یہ چلائیں: python --version

مرحلہ 2: ورچوئل انوائرمنٹ (Virtual Environment) بنائیں ڈیپینڈینسی (dependency) کے تنازعات سے بچنے کے لیے ہمیشہ ورچوئل انوائرمنٹ کا استعمال کریں۔

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

Mac/Linux پر ایکٹیویٹ کرنے کے لیے: source venv/bin/activate

Windows پر ایکٹیویٹ کرنے کے لیے: venv\Scripts\activate

مرحلہ 3: ڈیپینڈینسیز انسٹال کریں اپنے انوائرمنٹ کو ایکٹیو کرنے کے بعد، یہ چلائیں: pip install langchain langchain-openai langchain-core langgraph python-dotenv openai

مرحلہ 4: اپنی API keys کو محفوظ بنائیں اپنی API key کو کبھی بھی کوڈ میں ہارڈ کوڈ (hardcode) نہ کریں۔ یہ خطرناک ہے۔ اگر آپ اسے GitHub پر پش کرتے ہیں، تو بوٹس اسے چوری کر لیں گے۔

  1. ایک .env فائل بنائیں: touch .env
  2. اپنی key شامل کریں: OPENAI_API_KEY=your-key-here
  3. اپنی .env اور venv فولڈرز کو چھپانے کے لیے ایک .gitignore فائل بنائیں۔

مرحلہ 5: آپ کا پہلا ایجنٹ hello_agent.py کے نام سے ایک فائل بنائیں۔ اپنی keys پڑھنے کے لیے load_dotenv() فنکشن کا استعمال کریں۔

ایجنٹس بناتے وقت temperature=0 کا استعمال کریں۔ یہ ماڈل کے آؤٹ پٹ کو قابلِ پیش گوئی اور مستقل مزاج بناتا ہے۔

عام غلطیاں جن سے بچنا چاہیے:

بہترین طریقے (Best Practices):

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

اختیاری سیکھنے کی کمیونٹی: https://t.me/GyaanSetuAi