LangChain، بناء تطبيقات AI بسرعة

LangChain الأداة الأشهر عالمياً لبناء تطبيقات AI. من Prototype إلى Production، يُوفّر إطار العمل. هذا الدليل شامل، نظري + عملي.

الخلفية

التأسيس: أكتوبر 2022 المؤسّس: Harrison Chase النوع: Open Source (MIT License) الشركة الأمّ: LangChain, Inc. التمويل: 25 مليون$ (Sequoia، Benchmark) GitHub Stars: 100,000+ (2026)

الرؤية:

• توحيد تطوير LLM Applications
• تسريع الوصول من فكرة إلى منتج
• دعم كل النماذج والأدوات

لماذا LangChain

المشكلة قبل LangChain

كل نموذج له API مختلف:

• OpenAI: openai.ChatCompletion.create(...)
• Anthropic: anthropic.messages.create(...)
• Google: genai.GenerativeModel.generate_content(...)

التبديل بين النماذج = إعادة كتابة كثير.

بناء RAG = عشرات المكوّنات (تقطيع، Embeddings، Vector DB، Retrieval، LLM call).

الحلّ

LangChain يوحّد:

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic

# نفس الواجهة
gpt = ChatOpenAI(model="gpt-5")
claude = ChatAnthropic(model="claude-sonnet-4-7")

# نفس الاستخدام
gpt.invoke("مرحبا")
claude.invoke("مرحبا")

سطر واحد للتبديل.

البنية الأساسية

المكوّنات الرئيسية

1) LLMs / Chat Models:

• الواجهة الموحّدة للنماذج
• GPT، Claude، Gemini، Llama، DeepSeek، Mistral، إلخ

2) Prompts:

• Prompt Templates
• Few-Shot Examples
• Chat Prompts

3) Chains:

• تسلسل خطوات
• مثال: prompt → LLM → parse output

4) Memory:

• حفظ سياق المحادثات
• Short-term، Long-term

5) Retrievers:

• الاسترجاع من مصادر (RAG)
• Vector Stores، Search APIs

6) Agents:

• LLM يقرّر ما يفعل
• استخدام أدوات (tools)

7) Callbacks:

• Logging، Streaming، Monitoring

مكوّنات إضافية

8) Document Loaders:

• تحميل PDFs، Word، HTML، APIs
• 100+ loader مدعوم

9) Text Splitters:

• تقطيع النصوص للـRAG
• بذكاء (يحفظ السياق)

10) Embeddings:

• تحويل نصّ إلى vectors
• OpenAI، Cohere، Hugging Face، إلخ

11) Vector Stores:

• تخزين واسترجاع vectors
• Pinecone، Weaviate، Chroma، PGVector

12) Output Parsers:

• تحويل مخرج LLM لصيغة منظّمة
• JSON، Pydantic، إلخ

البدء العملي

التثبيت

pip install langchain langchain-openai

للـintegrations المحدّدة:

pip install langchain-anthropic
pip install langchain-google-genai
pip install langchain-community # كل شيء

أوّل مثال

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-5-mini",
    api_key="sk-...",
    temperature=0.7
)

response = llm.invoke("ما عاصمة السعودية؟")
print(response.content)
# "عاصمة المملكة العربية السعودية هي الرياض."

مع Prompt Template

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "أنت مساعد ذكيّ يجيب بالعربية الفصحى."),
    ("human", "{question}")
])

chain = prompt | llm

response = chain.invoke({"question": "ما أكبر مدن السعودية؟"})
print(response.content)

LangChain Expression Language (LCEL)

LCEL = طريقة تركيب مكوّنات LangChain بأسلوب Pipe.

from langchain_core.output_parsers import StrOutputParser

chain = prompt | llm | StrOutputParser()

# chain الآن تُخرج نصّاً مباشرة (بلا كائن)
answer = chain.invoke({"question": "..."})

الفائدة: قابل للـStream، Parallel، Batch.

RAG مع LangChain

مثال كامل

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_community.document_loaders import PyPDFLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1. تحميل PDFs
loader = PyPDFLoader("company_handbook.pdf")
docs = loader.load()

# 2. تقطيع
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=100
)
splits = text_splitter.split_documents(docs)

# 3. تخزين في Vector DB
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(splits, embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 5})

# 4. Prompt
template = """أجب على السؤال بناءً على السياق التالي فقط.
إذا لم تجد الإجابة، قل "لا أعرف من المصادر المتاحة".

السياق:
{context}

السؤال: {question}

الجواب:"""
prompt = ChatPromptTemplate.from_template(template)

# 5. LLM
llm = ChatOpenAI(model="gpt-5-mini")

# 6. Chain كامل
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 7. الاستعلام
answer = rag_chain.invoke("ما مدّة الإجازة السنوية؟")
print(answer)

هذا RAG كامل في 40 سطراً.

Agents

Agent = LLM يقرّر ما يفعل بناءً على الحالة.

مثال Agent

from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool
from langchain_openai import ChatOpenAI

# 1. تعريف الأدوات
def calculator(expression: str) -> str:
    """يحسب تعبير رياضي"""
    try:
        return str(eval(expression))
    except:
        return "خطأ في الحساب"

def search_wikipedia(query: str) -> str:
    """يبحث في Wikipedia"""
    # تنفيذ حقيقي بمكتبة
    return f"نتائج بحث عن {query}"

tools = [
    Tool(name="Calculator", func=calculator, description="لحسابات رياضية"),
    Tool(name="Wikipedia", func=search_wikipedia, description="للبحث في Wikipedia")
]

# 2. Prompt
from langchain import hub
prompt = hub.pull("hwchase17/react")

# 3. Agent
llm = ChatOpenAI(model="gpt-5")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 4. استخدام
result = agent_executor.invoke({
    "input": "ما ناتج ضرب 234 في 567؟ ثمّ اشرح لي في Wikipedia عن الرياضيات"
})

Agent يقرّر: "أحتاج Calculator أوّلاً، ثمّ Wikipedia".

LangGraph، Agentic Workflows

LangGraph (2024) = المستقبل الجديد لـAgents:

لماذا LangGraph

Agents التقليدية:

• خطية (سؤال → إجابة)
• صعبة التحكّم
• Debugging صعب

LangGraph:

• Graph structure، عقد وحواف
• حالة موحّدة (State)
• تحكّم دقيق
• قابل للتصحيح

مثال بسيط

from langgraph.graph import StateGraph, END
from typing import TypedDict

class State(TypedDict):
    question: str
    thought: str
    answer: str

def think(state: State) -> State:
    state["thought"] = f"فكّر في: {state['question']}"
    return state

def answer(state: State) -> State:
    state["answer"] = f"جواب: {state['thought']}"
    return state

# بناء Graph
workflow = StateGraph(State)
workflow.add_node("think", think)
workflow.add_node("answer", answer)
workflow.set_entry_point("think")
workflow.add_edge("think", "answer")
workflow.add_edge("answer", END)

# تنفيذ
app = workflow.compile()
result = app.invoke({"question": "ما 2+2؟"})
print(result)

استخدامات LangGraph

• Multi-agent systems (وكلاء يتعاونون)
• Human-in-the-Loop (توقّف للتأكيد)
• Complex workflows (فروع، حلقات)
• Long-running tasks (يستطيع الاستئناف)

Memory

أنواع الذاكرة

1) ConversationBufferMemory:

• تحفظ كل المحادثة
• بسيط لكن يستهلك سياقاً

2) ConversationSummaryMemory:

• يلخّص المحادثة القديمة
• يوفّر توكنات

3) ConversationBufferWindowMemory:

• تحفظ آخر K رسائل فقط

4) VectorStoreRetrieverMemory:

• تحفظ في Vector DB، تسترجع الأهمّ
• للمحادثات الطويلة جدّاً

مثال

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

memory = ConversationBufferMemory()
llm = ChatOpenAI(model="gpt-5-mini")

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

conversation.predict(input="مرحبا، اسمي أحمد")
conversation.predict(input="ما اسمي؟")
# الجواب: "اسمك أحمد"

LangSmith

منصّة LangChain للـObservability:

الميّزات

1) Tracing:

• كل تنفيذ يُسجَّل
• خطوة خطوة
• Debug بسيط

2) Prompt Management:

• Version control للـPrompts
• A/B Testing

3) Evaluation:

• Automated tests
• Human review
• Metrics

4) Monitoring:

• Costs
• Latency
• Errors

5) Datasets:

• بناء datasets للاختبار
• Iterations

الإعداد

import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "ls_..."

# الآن كل تنفيذ يُسجَّل في LangSmith

الأسعار:

• Free: 5000 traces/شهر
• Pro: 39$/شهر (أعلى حدود)
• Enterprise: مخصّص

LangServe

لنشر تطبيقات LangChain كـAPIs:

from fastapi import FastAPI
from langserve import add_routes

app = FastAPI()

add_routes(app, my_chain, path="/my-chain")

# uvicorn main:app
# الآن API جاهز على /my-chain

الأثر: من prototype إلى Production في دقائق.

أنماط استخدام

1) Chatbot

from langchain.chains import ConversationChain

chatbot = ConversationChain(llm=llm, memory=memory)

2) Q&A على مستندات

# مثال RAG أعلاه

3) SQL Query Generation

from langchain_community.utilities import SQLDatabase
from langchain.chains import create_sql_query_chain

db = SQLDatabase.from_uri("postgresql://...")
chain = create_sql_query_chain(llm, db)

query = chain.invoke({"question": "كم عميلاً في السعودية؟"})

4) Content Generation

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_template(
    "اكتب مقال 500 كلمة عن {topic}"
)

chain = prompt | llm | StrOutputParser()
article = chain.invoke({"topic": "الطاقة المتجدّدة"})

5) Extraction

from langchain_core.pydantic_v1 import BaseModel

class Person(BaseModel):
    name: str
    age: int
    email: str

structured_llm = llm.with_structured_output(Person)
result = structured_llm.invoke(
    "استخرج: أحمد، 30 سنة، ahmed@example.com"
)
# Person(name='أحمد', age=30, email='ahmed@example.com')

LangChain في العربية

التحدّيات

• معظم Prompts الافتراضية بالإنجليزية
• بعض الـChains لا تعمل جيّداً بالعربية
• Embedding models للعربية أقلّ نضجاً

الحلول

1) Prompts بالعربية:

prompt = ChatPromptTemplate.from_template(
    "أنت مساعد ذكيّ. أجب بالعربية الفصحى.\n\nالسؤال: {question}"
)

2) Embeddings للعربية:

• Cohere Embed Multilingual (تدعم العربية جيّداً)
• BGE-M3 (مفتوح)
• BAAI/bge-m3

3) اختبار عبر لغات:

• تأكّد أنّ chain يعمل بالعربية قبل الإطلاق

LangChain vs البدائل

vs LlamaIndex

| المعيار | LangChain | LlamaIndex | |---|---|---| | الشمول | أشمل | متخصّص | | RAG | جيّد | الأعمق | | Agents | قوي | جيّد | | التوثيق | ممتاز | ممتاز | | المجتمع | أكبر | كبير |

النتيجة: LangChain للتنوّع، LlamaIndex للـRAG المعقّد.

vs OpenAI Assistants API

| المعيار | LangChain | OpenAI Assistants | |---|---|---| | النماذج | متعدّدة | OpenAI فقط | | التعقيد | متوسّط | أبسط | | المرونة | كاملة | محدودة | | الأنسب لـ | تطبيقات مخصّصة | prototypes سريعة |

vs Anthropic Tool Use

• Tool Use مدمج في Claude
• بسيط للاستخدامات الأساسية
• LangChain أشمل لتطبيقات معقّدة

vs بناء من الصفر

• LangChain يوفّر وقتاً كثيراً
• لكن قد يكون overhead لتطبيقات بسيطة
• قاعدة: إذا تحتاج ميّزة واحدة، اكتبها بنفسك. لتطبيق كامل، استخدم LangChain.

متى LangChain

استخدمه إذا

• تبني تطبيقاً كامل الميّزات (RAG + Agents + Memory)
• تستخدم أكثر من نموذج
• تحتاج تكاملات جاهزة (Vector DBs، APIs)
• تخطّط للـScale (LangSmith، LangServe)

لا تستخدمه إذا

• استدعاء بسيط لـLLM
• نموذج واحد ثابت
• تحتاج تحكّماً منخفض المستوى تماماً
• Enterprise حسّاس (قد تُفضّل بناء داخلي)

المستقبل

الاتّجاهات

LangGraph تسود:

• بناء وكلاء أعمق
• Multi-agent systems

Agent Standards:

• MCP (Model Context Protocol) من Anthropic
• LangChain يدعم

Enterprise Adoption:

• شركات كبرى تتبنّى
• LangChain Business يكبر

Community:

• 100,000+ نجمة تكبر
• Contributions مستمرّة

نصائح للمطوّر السعودي

1) ابدأ بسيطاً

• لا تحاول تعلّم LangGraph من اليوم الأوّل
• ابدأ بـLCEL

2) استخدم Ollama محلياً

from langchain_community.llms import Ollama

llm = Ollama(model="llama3.2")

مجاناً، خصوصية كاملة.

3) LangSmith Free

• 5000 traces/شهر
• كافٍ للتعلّم

4) اقرأ Cookbooks

• LangChain Cookbook: أمثلة كاملة
• الأنسب للتعلّم العملي

5) الشراكة مع Cursor

• Cursor + LangChain = سرعة تطوير هائلة

المصادر الرسمية

• LangChain
• Documentation
• LangSmith
• LangGraph
• GitHub
• Cookbook

اقرأ أيضاً: RAG، التعزيز بالاسترجاع · OpenAI API، دليل البدء · MCP، بروتوكول سياق النموذج · Fine-tuning و LoRA