LangChain 101: สร้าง AI Application ง่ายขึ้น

LangChain คืออะไร?

LangChain เป็น framework สำหรับสร้าง applications ที่ใช้ Large Language Models (LLMs) ทำให้การพัฒนา AI apps ง่ายและเร็วขึ้น

ทำไมต้องใช้ LangChain?

ปัญหาเมื่อไม่ใช้ LangChain:

• ต้องเขียนโค้ดซ้ำๆ สำหรับ prompt templates
• จัดการ context และ memory ยาก
• เชื่อมต่อกับ external data sources ซับซ้อน
• Chain หลาย LLM calls ยุ่งยาก

LangChain ช่วยแก้:

• ✅ Modular components - ใช้ซ้ำได้
• ✅ Built-in integrations - เชื่อมต่อง่าย
• ✅ Memory management - จำบริบทได้
• ✅ Chains - ต่อ LLM calls ง่าย

🧱 Components หลักของ LangChain

1. Models

Support LLMs หลากหลาย:

• OpenAI (GPT-3.5, GPT-4)
• Anthropic (Claude)
• Hugging Face
• Local models (Llama, etc.)

from langchain.llms import OpenAI

llm = OpenAI(temperature=0.7)
response = llm("What is LangChain?")
print(response)

2. Prompts

จัดการ prompts อย่างเป็นระบบ:

from langchain import PromptTemplate

template = """
คุณเป็น {role}
ช่วยตอบคำถาม: {question}
"""

prompt = PromptTemplate(
    template=template,
    input_variables=["role", "question"]
)

formatted = prompt.format(
    role="ผู้เชี่ยวชาญ AI",
    question="LangChain คืออะไร?"
)

3. Chains

เชื่อมต่อหลาย steps เข้าด้วยกัน:

from langchain import LLMChain

chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run(
    role="AI Expert",
    question="What is LangChain?"
)

4. Memory

จำบทสนทนาก่อนหน้า:

from langchain.memory import ConversationBufferMemory
from langchain import ConversationChain

memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=llm,
    memory=memory
)

conversation.run("สวัสดี ฉันชื่อ John")
conversation.run("ฉันชื่ออะไร?")  # จะตอบว่า "John"

5. Agents

AI ที่ตัดสินใจใช้ tools เอง:

from langchain.agents import load_tools, initialize_agent

tools = load_tools(["wikipedia", "calculator"])

agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description"
)

agent.run("What is 25 * 4 + 10?")

🎯 Use Cases

1. Q&A over Documents

ถาม-ตอบจากเอกสารของคุณเอง:

from langchain.document_loaders import TextLoader
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# Load documents
loader = TextLoader("data.txt")
documents = loader.load()

# Create vector store
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(documents, embeddings)

# Create QA chain
qa = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever()
)

qa.run("What does the document say about AI?")

2. Chatbot with Memory

Chatbot ที่จำบทสนทนา:

from langchain.memory import ConversationBufferWindowMemory

# จำแค่ 5 ข้อความล่าสุด
memory = ConversationBufferWindowMemory(k=5)

chat = ConversationChain(
    llm=llm,
    memory=memory
)

chat.run("สวัสดี")
chat.run("ฉันสนใจเรียน AI")
chat.run("ฉันสนใจเรื่องอะไร?")  # จะจำได้

3. SQL Agent

ถามคำถามเป็นภาษาธรรมดา แล้ว query database:

from langchain.agents import create_sql_agent
from langchain.sql_database import SQLDatabase

db = SQLDatabase.from_uri("sqlite:///mydb.db")

agent = create_sql_agent(llm, db)

agent.run("How many users registered last month?")

🔗 Chains ประเภทต่างๆ

1. Simple Chain

chain = LLMChain(llm=llm, prompt=prompt)

2. Sequential Chain

รัน chain ตามลำดับ:

from langchain.chains import SimpleSequentialChain

chain1 = LLMChain(llm=llm, prompt=prompt1)
chain2 = LLMChain(llm=llm, prompt=prompt2)

overall_chain = SimpleSequentialChain(chains=[chain1, chain2])

3. Router Chain

เลือก chain ตาม input:

from langchain.chains.router import MultiPromptChain

chain = MultiPromptChain(
    router_chain=router,
    destination_chains=destination_chains
)

💾 Vector Stores

Support หลาย Vector DBs:

• FAISS
• Pinecone
• Weaviate
• Chroma
• Qdrant

from langchain.vectorstores import Chroma

vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings()
)

# Similarity search
results = vectorstore.similarity_search("AI")

🛠️ Tools & Integrations

Built-in Tools:

• Wikipedia
• Calculator
• Python REPL
• Google Search
• Weather API

Custom Tools:

from langchain.tools import Tool

def my_function(input_text):
    return f"Processed: {input_text}"

custom_tool = Tool(
    name="MyTool",
    func=my_function,
    description="Useful for processing text"
)

📚 Document Loaders

Support หลายรูปแบบ:

• PDF
• CSV
• HTML
• Markdown
• Google Drive
• Notion

from langchain.document_loaders import PyPDFLoader

loader = PyPDFLoader("document.pdf")
pages = loader.load_and_split()

⚡ Best Practices

1. Manage API Costs

• ใช้ caching
• จำกัด token usage
• เลือก model ที่เหมาะสม

2. Error Handling

try:
    result = chain.run(input)
except Exception as e:
    print(f"Error: {e}")
    # Handle error

3. Debugging

from langchain.globals import set_debug

set_debug(True)  # เห็น internal calls

4. Async Operations

async def process():
    result = await chain.arun(input)
    return result

🎓 Learning Path

สำหรับมือใหม่:

1. เริ่มจาก simple LLMChain
2. ลอง Prompt Templates
3. เพิ่ม Memory
4. ใช้ Document Loaders
5. สร้าง Q&A system

Advanced:

1. สร้าง Custom Agents
2. ใช้ Vector Stores
3. Build Multi-step Chains
4. Deploy to production

🚀 Getting Started

# Install
pip install langchain openai

# Basic example
from langchain.llms import OpenAI
from langchain import PromptTemplate, LLMChain

llm = OpenAI(temperature=0.7)

template = "What is {topic}?"
prompt = PromptTemplate(template=template, input_variables=["topic"])

chain = LLMChain(llm=llm, prompt=prompt)

print(chain.run("LangChain"))

⚠️ Limitations

• Learning curve ชันสำหรับ advanced features
• Documentation บางส่วนยังไม่ครบ
• อัปเดตบ่อย API อาจเปลี่ยน
• Performance overhead จาก abstraction

🔮 Future of LangChain

Roadmap:

• Better streaming support
• More integrations
• Improved debugging tools
• Production-ready features

สรุป

LangChain ทำให้การสร้าง AI applications ง่ายขึ้นมาก:

• ✅ Modular และใช้ซ้ำได้
• ✅ Integrations มากมาย
• ✅ Active community
• ✅ Well-maintained

ถ้าคุณสร้าง AI apps ลอง LangChain ได้เลย จะประหยัดเวลาเยอะ!