LangChain چیه؟ از ساخت اولین Agent تا حفظ کنترل انسان

اول از همه: LangChain چیه؟

LangChain یه فریم‌ورک متن‌بازه برای ساخت اپلیکیشن‌ها و Agentهایی که با مدل‌های زبانی کار می‌کنن. خودش مدل هوش مصنوعی نیست؛ یه لایهٔ هماهنگ‌کننده‌ست که مدل رو به ابزارها، داده‌ها و منطق برنامه وصل می‌کنه.

یعنی به‌جای اینکه اتصال OpenAI یا Claude، اجرای ابزار، تاریخچهٔ گفتگو و فرمت خروجی رو هر بار از صفر مدیریت کنی، یه سری رابط و الگوی آماده داری که این قطعه‌ها رو کنار هم نگه می‌دارن.

چه چیزهایی رو کنار هم می‌ذاره؟

لازم نیست روز اول همهٔ بخش‌های LangChain رو یاد بگیری. برای شروع همین شش مفهوم تصویر کلی خوبی بهت می‌ده:

اولین Agent رو بسازیم

یه مثال خیلی ساده می‌سازیم: Agent هواشناسی که هر وقت لازم باشه تابع get_weather رو صدا می‌زنه. برای نمونه از OpenAI استفاده شده، ولی می‌تونی provider و مدل رو عوض کنی.

۱. نصب پکیج‌ها

pip install -U langchain langchain-openai

۲. ساخت Agent

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get the current weather for a city."""
    # در پروژهٔ واقعی اینجا API هواشناسی صدا زده می‌شه
    return f"Weather in {city}: sunny, 24°C"

agent = create_agent(
    model="openai:gpt-5-mini",
    tools=[get_weather],
    system_prompt="جواب‌ها را کوتاه و فارسی بده.",
)

result = agent.invoke({
    "messages": [{
        "role": "user",
        "content": "هوای تورنتو چطوره؟"
    }]
})

print(result["messages"][-1].content)

اینجا نکتهٔ جالب اینه که ما نگفتیم تابع هواشناسی حتماً اجرا بشه. مدل توضیح تابع و سؤال کاربر رو می‌بینه، خودش تصمیم می‌گیره ابزار لازمه، نتیجه‌اش رو می‌گیره و بعد جواب نهایی رو می‌سازه.

پشت صحنه چه اتفاقی می‌افته؟

این حلقه تا وقتی ادامه داره که مدل جواب نهایی بده یا محدودیت اجرای تعیین‌شده به پایان برسه. از LangChain v1، Agentهایی که با create_agent ساخته می‌شن روی LangGraph اجرا می‌شن؛ فعلاً لازم نیست درگیر جزئیاتش بشیم.

حلقهٔ انسانی و مرز سخت‌افزاری

LangChain به Agent کمک می‌کنه فکر کنه، ابزار انتخاب کنه و یک عمل رو آماده کنه. اما وقتی پای پول، هویت، دسترسی یا اطلاعات حساس وسطه، آماده‌کردن یک عمل نباید خودکار به معنی اجازهٔ اجرای اون باشه.

در نسخهٔ فعلی Ledger Agent Stack، ابزارهایی مثل Device Management Kit Skills و CLIهای Ledger Wallet، Enterprise و Multisig قابل آزمایشن. Agent Intents، سیاست‌های سخت‌افزاری و Proof of Human رو باید به‌عنوان قابلیت‌های در حال عرضه یا نقشهٔ راه معرفی کرد، نه چیزهایی که همه‌شون همین امروز به‌صورت عمومی آماده‌ان.

چه زمانی LangChain انتخاب خوبیه؟

قانون ساده: از کمترین پیچیدگی ممکن شروع کن. اگر یه درخواست مستقیم به API جواب می‌ده، همون بهترین گزینه‌ست. وقتی ابزارها، state و مراحل تصمیم‌گیری زیاد شدن، LangChain ارزشش رو نشون می‌ده. LangChain مشخص می‌کنه کار چطور جلو بره؛ انسان و سخت‌افزار مشخص می‌کنن چه کاری اجازهٔ اجرا داره.

سه اشتباه رایج

• Agent برای همه‌چیز: خیلی از کارها با یک جریان قطعی یا حتی یک فراخوانی ساده بهتر، ارزان‌تر و قابل‌اعتمادتر انجام می‌شن.
• ابزارهای مبهم: اسم و توضیح تابع باید دقیق باشه؛ مدل از همین توضیح می‌فهمه چه زمانی ابزار رو انتخاب کنه.
• اعتماد بدون مرز: ثبت فراخوانی‌ها و خطاها لازمه، اما برای کار حساس کافی نیست. اختیار Agent رو محدود کن و تأیید انسانی رو به یک مرز سخت‌افزاری وصل کن.