۱۰۰ هزار تومان هدیهٔ ثبت‌نام، تا ۱ میلیونبا ثبت‌نام گردونهٔ هدیه را بچرخان: دست‌کم ۱۰۰٬۰۰۰ تومان و تا ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه، بدون کارت بانکیگردونهٔ هدیه۱ میلیون برای تو، ۱ میلیون برای دوستتدوستانت را دعوت کن: برای هر دوستی که فعال شود ۱٬۰۰۰٬۰۰۰ تومان اعتبار هدیه می‌گیری و خودش هم ۱٬۰۰۰٬۰۰۰ تومانجوایز
1xAi
مقاله

langchain چیست؟ راهنمای ۱۴۰۵ برای تیم‌های ایرانی

LangChain یک فریم‌ورک متن‌باز برای ساخت اپلیکیشن‌های مبتنی بر مدل زبانی است که مدل، داده و ابزار را در یک جریان چندمرحله‌ای به هم وصل می‌کند.

  • منتشر: ۲۶ آبان ۱۴۰۵
  • بروزرسانی: ۱ آذر ۱۴۰۵
  • ۸ دقیقه مطالعه
  • langchain
  • چیست

تیمِ فنیِ 1xAi گیت‌وی را می‌سازد و می‌گرداند — همان‌هایی که هر روز با APIهای OpenAI‏، Anthropic‏، Google و DeepSeek از داخلِ ایران کار می‌کنند. آنچه اینجا می‌خوانی از همان کارِ روزمره درآمده، نه از بازنویسیِ مستنداتِ انگلیسی.

langchain چیست؟ راهنمای ۱۴۰۵ برای تیم‌های ایرانی

در این مقاله (۱۸)

LangChain یک فریم‌ورک متن‌باز برای ساخت اپلیکیشن‌های مبتنی بر مدل زبانی است که مدل، داده و ابزار را در یک جریان چندمرحله‌ای به هم وصل می‌کند. خودِ LangChain مدل زبانی نیست. برای استفاده از مدل‌های میزبانی‌شده‌ای مثل OpenAI، Claude، Gemini یا DeepSeek به دسترسی یا کلید API نیاز دارید، ولی می‌توان آن را به یک مدل محلی هم وصل کرد.

اگر پروژه‌تان فقط یک پرسش و یک پاسخ است، معمولاً بدون آن هم کار می‌کند؛ اما برای RAG، ابزار و حافظه مفید است. ما در 1xAi گیت‌وی API را اداره می‌کنیم، پس این مطلب از دید یک ارائه‌دهنده نوشته شده است.

LangChain چیست و چه جایگاهی دارد؟

LangChain خودش مدل نیست، بلکه لایه‌ای برای هماهنگ‌سازی مدل، داده و منطق اپلیکیشن است. برای اجرا به کلید API یک مدل نیاز دارید.

LangChain خودش مدل نیست. فراجاب آن را لایه‌ای برای هماهنگ‌سازی مدل، داده و منطق اپلیکیشن توصیف می‌کند. برای اجرا باید کلید API یک مدل داشته باشید: OpenAI، Claude، Gemini، DeepSeek، یا کلید 1xAi با base_url=https://1xai.ir/v1 که بدون کارت خارجی و VPN کار می‌کند.

اگر «langchain چیه» یا «لنگچین» را جستجو کرده‌اید، منظور همین کتابخانه است که مدل را به داده‌ها، ابزارها و APIهای بیرونی وصل می‌کند. کاربرد رایج آن چت‌بات روی اسناد است. برای فهمیدن بخش بازیابی اطلاعات در این پروژه‌ها، راهنمای RAG با مثال ساده برای فارسی را ببینید. «lang» هم معمولاً کوتاه‌شده‌ی language است و در این حوزه بیشتر به همین فریم‌ورک اشاره دارد.

هاگینگ فیس چیست؟

هاگینگ فیس (Hugging Face) پلتفرم و جامعه‌ای برای انتشار و دانلود مدل‌ها و مجموعه‌داده‌های متن‌باز است. جایگاه آن با LangChain فرق دارد. هاگینگ فیس محل نگهداری و اشتراک مدل‌هاست و LangChain لایه‌ای است که مدل را داخل یک اپلیکیشن به بقیه‌ی اجزا وصل می‌کند.

LangChain چه چیزهایی به پروژه اضافه می‌کند؟

LangChain چهار کار را روی مدل زبانی اضافه می‌کند: اجرای مرحله‌به‌مرحله، بازیابی از اسناد، صدا زدن ابزار و نگه داشتن حافظه‌ی گفتگو. هر کدام را با یک مثال می‌شود دید:

  • زنجیره‌های چندمرحله‌ای: خروجی هر مرحله ورودی مرحله‌ی بعد می‌شود. مثلاً یک قرارداد طولانی اول خلاصه می‌شود، بندهای پرریسک از روی خلاصه استخراج می‌شوند و در مرحله‌ی آخر پیش‌نویس ایمیل به طرف قرارداد نوشته می‌شود.
  • RAG: برای پاسخ به پرسشی درباره‌ی شرایط گارانتی، ابتدا بخش‌های مرتبط از اسناد یا پایگاه برداری بازیابی و همراه پرسش به مدل داده می‌شوند. پاسخ بر پایه‌ی سند شما ساخته می‌شود، نه حدس مدل.
  • ابزار و Agent: اگر کاربر بپرسد «سفارش ۱۲۳۴ کجاست؟»، خود مدل تصمیم می‌گیرد تابع پیگیری سفارش را صدا بزند. شما فقط ابزارها را تعریف می‌کنید.
  • حافظه‌ی گفتگو: درخواست‌های API به‌خودی‌خود پیام‌های قبلی را نگه نمی‌دارند. LangChain تاریخچه را مدیریت می‌کند تا «همان محصول قبلی» برای مدل قابل‌فهم بماند.

برای ساخت چندایجنتی و پایش، دو بخش دیگر هم در اکوسیستم هست. بلاگ آسا LangGraph را برای گردش‌کار چندایجنتی و LangSmith را برای پایش و ارزیابی اپلیکیشن‌های LLM معرفی می‌کند.

کد و راه‌اندازی را اینجا تکرار نمی‌کنیم. نصب، اتصال به مدل و اجرای اولین زنجیره در آموزش LangChain پایتون ۲۰۲۶ با کلید تومانی 1xAi آمده است.

چه زمانی یک فراخوانی ساده API کافی است؟

وقتی کارتان یک پرسش، یک پاسخ، یک پرامپت ثابت و خروجی متنی است، فراخوانی مستقیم API کافی است و LangChain فقط وابستگی و پیچیدگی اضافه می‌کند. این یک قاعده‌ی عمومی برای تصمیم‌گیری است و نتیجه‌ی اندازه‌گیری یا بنچمارک نیست.

برای مقایسه، همین یک فراخوانی را یک بار با SDK رسمی OpenAI و یک بار با ChatOpenAI از بسته‌ی langchain-openai می‌نویسیم. در هر دو، کلید در متغیر محیطی ONEXAI_API_KEY است و آدرس پایه همان https://1xai.ir/v1 است.

# pip install openai
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["ONEXAI_API_KEY"],
    base_url="https://1xai.ir/v1",
)

resp = client.chat.completions.create(
    model="deepseek-chat",  # هر نام معتبر از https://1xai.ir/models
    messages=[{"role": "user", "content": "LangChain را در یک جمله توضیح بده."}],
)
print(resp.choices[0].message.content)
# pip install langchain-openai
import os
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",  # همان نام مدل
    api_key=os.environ["ONEXAI_API_KEY"],
    base_url="https://1xai.ir/v1",
)

print(llm.invoke("LangChain را در یک جمله توضیح بده.").content)

نتیجه در هر دو حالت یک متن پاسخ است و برای تک‌فراخوانی، LangChain قابلیتی اضافه نمی‌کند. اگر مدل deepseek-chat را نمی‌شناسید، راهنمای دیپ‌سیک و قیمت API آن نقطه‌ی شروع خوبی برای انتخاب مدل است.

نشانه‌های عبور از API ساده

  • زنجیره‌ی وابسته: بیش از دو مرحله که خروجی هر کدام ورودی بعدی است.
  • جستجو در اسناد: پاسخ باید از فایل‌ها یا پایگاه دانش خودتان بیاید.
  • ابزارهای متعدد: مدل باید خودش تصمیم بگیرد کدام ابزار را صدا بزند.
  • حافظه: تاریخچه‌ی گفتگو باید نگهداری، کوتاه یا بازیابی شود.

با دیدن یکی از این نشانه‌ها، ارزش دارد LangChain را بسنجید. بدون آن‌ها، همان چند خط اول کافی است.

LangChain چه اثری روی هزینه‌ی توکن و نگهداری دارد؟

خود کتابخانه رایگان است و هزینه‌ی توکن فقط از فراخوانی‌های واقعی مدل می‌آید. RAG، حافظه و Agent با افزایش ورودی و فراخوانی‌ها می‌توانند هزینه را بالا ببرند.

خود کتابخانه‌ی LangChain رایگان است و هزینه‌ی توکن فقط از فراخوانی‌های واقعی مدل می‌آید، نه از هر مرحله‌ی زنجیره. مرحله‌ای مثل بازیابی داده لزوماً فراخوانی مدل نیست و صورت‌حساب مدل جدا ندارد. به گفته‌ی فراجاب، متن‌باز بودن کتابخانه هزینه‌ی API مدل، پایگاه داده، زیرساخت و سرویس‌های اختیاری مشاهده‌پذیری را حذف نمی‌کند.

سازوکار هزینه

  • RAG: در فراخوانی‌هایی که از متن بازیابی‌شده استفاده می‌کنند، این متن به ورودی اضافه می‌شود. پس توکن ورودی بزرگ‌تر از خود پرسش کاربر است.
  • حافظه: اگر تاریخچه‌ی گفتگو در هر نوبت دوباره فرستاده شود، با طولانی‌تر شدن چت ورودی هم بزرگ‌تر می‌شود.
  • Agent: ممکن است چند بار حلقه بزند و هر دوری که مدل را صدا بزند یک فراخوانی تازه حساب می‌شود.

فرمول هزینه‌ی هر فراخوانی مدل این است: هزینه = (توکن ورودی × نرخ ورودی) + (توکن خروجی × نرخ خروجی). هزینه‌ی کل یک اجرا جمع همین مقدار برای همه‌ی فراخوانی‌های مدل در آن اجراست.

نرخ مدل‌ها

برای مقایسه، نرخ دو مدل رایج را در جدول می‌بینید.

مدل ورودی (تومان، هر ۱ میلیون توکن) خروجی (تومان، هر ۱ میلیون توکن)
deepseek-chat ۹۸٬۰۲۸ ۳۹۲٬۱۱۲
claude-sonnet-4-6 ۹۸۰٬۲۸۰ ۴٬۹۰۱٬۴۰۰

قیمت‌ها هر صبح با نرخ بازار هماهنگ می‌شوند و قیمت معتبر همیشه در صفحه‌ی مدل‌های 1xAi است. کارمزد ما ۱۵ تا ۳۰٪ بسته به مدل است.

بر پایه‌ی گزارش ۳۰ روزه‌ای که در ۱۷ نوامبر ۲۰۲۶ از گیت‌وی ما ثبت شد، ۴٬۸۷۵ درخواست deepseek-chat و ۲٬۲۴۲ درخواست claude-sonnet-4-6 با نرخ موفقیت ۱۰۰٪ پردازش شده است. این ارقام گزارش همان تاریخ هستند و با باز شدن مقاله به‌روز نمی‌شوند.

نگهداری

هر لایه‌ی LangChain یک وابستگی است که باید همراه نسخه‌های تازه به‌روز بماند. اگر زنجیره‌ی شما فقط یک فراخوانی ساده است، فراخوانی مستقیم با SDK سازگار با OpenAI معمولاً نگهداری ساده‌تری دارد. هر چه مراحل، حافظه و ابزارها بیشتر شوند، ساختار LangChain بیشتر به کارتان می‌آید. در آن حالت لاگ توکن هر فراخوانی مدل را جدا ثبت کنید تا مرحله‌ی پرهزینه را پیدا کنید.

کش پرامپت هم می‌تواند ورودی تکراری مثل تاریخچه را در مدل‌هایی که پشتیبانی می‌کنند ارزان‌تر کند.

چک‌لیست تصمیم برای استارتاپ و تیم محصول

برای یک پرسش و پاسخ یا خلاصه‌سازی ساده، فراخوانی مستقیم API کافی است و LangChain لازم نیست؛ لایه‌ی اضافه فقط وقتی ارزش دارد که نیازش اثبات شده باشد. جدول زیر راهنمای عمومی است و حاصل آزمایش یا سنجش نیست.

سناریو API مستقیم LangChain
یک پرسش و پاسخ یا خلاصه‌سازی کافی است لازم نیست
پاسخ از روی اسناد داخلی (RAG) ممکن ولی پرزحمت مفید
چند ابزار با انتخاب توسط مدل سخت مفید
نمونه‌ی اولیه‌ی سریع سریع سریع، با پیچیدگی بیشتر
تیم کوچک با نیاز به کنترل هزینه شفاف‌تر نیازمند پایش

پنج پرسش بله/خیر پیش از افزودن LangChain

  1. مراحل وابسته: آیا خروجی یک فراخوانی باید ورودی فراخوانی بعدی شود و زنجیره بیش از دو یا سه گام دارد؟
  2. منبع داده‌ی بیرونی: آیا پاسخ باید از اسناد، پایگاه داده یا صفحات خودتان بیاید؟
  3. ابزارها: آیا مدل باید خودش تصمیم بگیرد کدام تابع یا API را صدا بزند؟
  4. حافظه: آیا گفتگو باید میان چند نوبت یا چند نشست به خاطر بماند؟ حافظه‌ی ساده یعنی ارسال دوباره‌ی تاریخچه‌ی پیام‌ها، که بدون فریم‌ورک هم شدنی است. اگر نیاز شما فراتر از این است، آموزش LangChain ۲۰۲۶: ساخت چت‌بات با حافظه از ایران نشان می‌دهد چطور پیاده می‌شود.
  5. ظرفیت نگهداری: آیا کسی در تیم هست که وابستگی‌ها و اشکال‌یابی این لایه را بر عهده بگیرد؟ کتابخانه‌های اصلی رایگان و متن‌باز هستند، اما به گفته‌ی فراجاب هزینه‌ی API مدل، پایگاه داده و زیرساخت جداست.

اگر هر پنج جواب «خیر» است، فریم‌ورک لازم ندارید. یک یا دو «بله» یعنی فقط همان قطعه‌ی لازم را اضافه کنید.

توصیه‌ی پایانی

با فراخوانی مستقیم شروع کنید و وقتی یکی از این پرسش‌ها در عمل «بله» شد، لایه اضافه کنید. چون API ما سازگار با OpenAI است، همان کلید و آدرس پایه بعداً هم زیر هر لایه‌ای کار می‌کند. برای انتخاب مدل و گرفتن کلید بدون کارت خارجی و VPN، قیمت و فهرست مدل‌ها را ببینید؛ پرداخت به تومان است و کارمزد ۱۵ تا ۳۰٪ بسته به مدل.

پژوهش و نگارش: the CodeNest content engine

سوالات متداول

langchain چیست؟

LangChain یک فریم‌ورک متن‌باز برای ساخت اپلیکیشن‌های مبتنی بر مدل زبانی است، نه خودِ مدل. هریسون چیس هسته‌ی آن را در اکتبر ۲۰۲۲ با مجوز MIT منتشر کرد و نسخه‌های Python و JavaScript دارد. کارش هماهنگ‌سازی مدل، داده، ابزار و حافظه در جریان‌های چندمرحله‌ای و RAG است.

langchain چیه و برای اجرا چه چیزی لازم دارد؟

LangChain یک لایه‌ی هماهنگ‌سازی است و برای اجرا به کلید API یک مدل زبانی نیاز دارد. این مدل می‌تواند OpenAI، Claude، Gemini یا DeepSeek باشد. در 1xAi یک کلید با پیشوند 1xai- و آدرس پایه‌ی https://1xai.ir/v1 همه‌ی این‌ها را پوشش می‌دهد و هزینه به تومان پرداخت می‌شود.

آیا برای هر پروژه‌ی هوش مصنوعی به LangChain نیاز دارم؟

خیر، اگر پروژه‌ی شما فقط یک پرسش و یک پاسخ است، معمولاً یک فراخوانی ساده‌ی API کافی است. LangChain وقتی ارزش پیدا می‌کند که جریان چندمرحله‌ای، بازیابی از داده‌های خودتان (RAG)، فراخوانی ابزار یا حافظه‌ی گفتگو لازم داشته باشید. پیش از آن، فقط پیچیدگی اضافه می‌کند.

هاگینگ فیس چیست و با LangChain چه تفاوتی دارد؟

Hugging Face یک هاب مدل‌ها و دیتاست‌های متن‌باز است، یعنی جایی برای پیدا کردن و منتشر کردن مدل. LangChain مدل یا دیتاست ارائه نمی‌دهد و لایه‌ای برای اتصال مدل‌ها (از جمله مدل‌های همین هاب) به داده و ابزار است. این دو مکمل‌اند و جایگزین هم نیستند.

lang چیست؟

عبارت «lang» معمولاً کوتاه‌شده‌ی «language» به معنی زبان است. در جستجوهای مربوط به هوش مصنوعی، اغلب منظور بخش اول نام LangChain است، یعنی همان فریم‌ورک. اگر زمینه‌ی دیگری مثل یک زبان برنامه‌نویسی یا کتابخانه‌ی دیگر مدنظر باشد، باید نام کامل آن را جستجو کنید.

مدل‌هایی که در این مقاله دیدی را از داخل ایران امتحان کن.

بدون VPN، صورت‌حساب تومانی، کارمزدِ ۱۵ تا ۳۰٪ بسته به مدل روی نرخِ هر سرویس‌دهنده.