LangChain – เฟรมเวิร์กสำหรับสร้าง AI Agent และแอปพลิเคชัน LLM

LangChain คืออะไร

LangChain เป็นเฟรมเวิร์กสำหรับสร้าง AI agent และแอปพลิเคชันที่ขับเคลื่อนด้วย Large Language Model (LLM) จุดเด่นคือการเชื่อมต่อคอมโพเนนต์และบริการจากบุคคลที่สามแบบ modular ทำให้พัฒนาแอป AI ได้ง่ายขึ้น เหมาะสำหรับสร้าง chatbot, RAG application และระบบที่ต้องการ agent ที่ซับซ้อน พร้อมรองรับการเปลี่ยนแปลงของเทคโนโลยีในอนาคต

เริ่มต้นใช้งาน

Prerequisites

ก่อนเริ่มใช้งาน คุณจะต้องมี:

• Python (แนะนำเวอร์ชัน 3.8 ขึ้นไป)
• API key จาก provider ที่ต้องการใช้งาน เช่น OpenAI API key (สามารถสมัครได้ที่ OpenAI Platform)
• ตั้งค่า environment variable OPENAI_API_KEY สำหรับการใช้งาน OpenAI models

ติดตั้งด้วย uv (package manager สำหรับ Python):

copyuv add langchain

ตัวอย่างโค้ดพื้นฐาน:

copyfrom langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-4")
result = model.invoke("Hello, world!")

ตัวอย่างการใช้งานจริง

ตัวอย่าง RAG Application:

copyfrom langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA
from langchain.chat_models import init_chat_model

# สร้าง vector store จากเอกสาร
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_texts(
    ["LangChain เป็นเฟรมเวิร์ก AI", "ใช้สร้าง chatbot ได้"],
    embeddings
)

# สร้าง RAG chain
model = init_chat_model("openai:gpt-4")
qa_chain = RetrievalQA.from_chain_type(
    llm=model,
    retriever=vectorstore.as_retriever()
)

# ถามคำถาม
result = qa_chain.invoke("LangChain คืออะไร?")

ตัวอย่าง Chatbot แบบง่าย:

copyfrom langchain.chat_models import init_chat_model
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

model = init_chat_model("openai:gpt-4")
memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=model,
    memory=memory
)

# สนทนาต่อเนื่อง
conversation.invoke("สวัสดี ฉันชื่อแอน")
conversation.invoke("ฉันชื่ออะไร?")  # จะตอบว่า "แอน"

หากต้องการสร้าง agent ที่ซับซ้อนขึ้น แนะนำให้ใช้ร่วมกับ LangGraph สำหรับ agent orchestration หรือ Deep Agents สำหรับ agent ระดับสูงที่มีความสามารถในการวางแผน ใช้ subagent และจัดการไฟล์

LangChain Ecosystem

LangChain ทำงานได้ทั้งแบบ standalone และเชื่อมต่อกับผลิตภัณฑ์อื่นๆ ในระบบนิเวศได้อย่างราบรื่น:

• Deep Agents – สร้าง agent ที่มีความสามารถในการวางแผน ใช้ subagent และจัดการไฟล์สำหรับงานที่ซับซ้อน
• LangGraph – low-level framework สำหรับ agent orchestration ที่ต้องการความน่าเชื่อถือสูง
• Integrations – รองรับ chat & embedding models, tools, toolkits และอื่นๆ จาก provider ต่างๆ
• LangSmith – เครื่องมือสำหรับ evaluation, observability และ debugging แอป LLM
• LangSmith Deployment – deploy และ scale agent บนแพลตฟอร์มสำหรับ long-running stateful workflows

มี JavaScript/TypeScript version ที่ LangChain.js ด้วย

เลือกใช้เครื่องมือไหนดี?

ใช้ LangChain standalone เมื่อ:

• สร้าง chatbot หรือ RAG application แบบไม่ซับซ้อน
• ต้องการ interface มาตรฐานสำหรับเชื่อมต่อ LLM และ integrations
• โปรเจคขนาดเล็กถึงกลางที่ไม่ต้องการ agent orchestration

ใช้ LangGraph เมื่อ:

• ต้องการควบคุม agent flow อย่างละเอียด
• สร้าง multi-agent system ที่ซับซ้อน
• ต้องการความน่าเชื่อถือสูงและการจัดการ state แบบ stateful
• ต้องการ debugging และ observability ระดับ low-level

ใช้ Deep Agents เมื่อ:

• ต้องการ agent ที่มีความสามารถในการวางแผนอัตโนมัติ
• งานต้องการการแบ่งงานย่อยและใช้ subagent หลายตัว
• ต้องการจัดการไฟล์และทำงานที่ซับซ้อนโดยไม่ต้องเขียนโค้ดมาก

ทำไมต้องใช้ LangChain

• Standard Interface – มี interface มาตรฐานสำหรับ models, embeddings, vector stores และอื่นๆ
• Modular & Future-proof – ออกแบบให้ปรับตัวตามเทคโนโลยีที่เปลี่ยนแปลงได้
• Ecosystem ครบวงจร – ทำงานร่วมกับ Deep Agents, LangGraph และ LangSmith
• Integrations เยอะ – รองรับ provider ยอดนิยมมากมาย

แหล่งข้อมูลเพิ่มเติม

• LangChain Documentation – เอกสารหลักสำหรับ Python
• LangChain.js Documentation – เอกสารสำหรับ JavaScript/TypeScript
• LangGraph Documentation – คู่มือการใช้งาน LangGraph
• LangSmith – แพลตฟอร์มสำหรับ monitoring และ debugging
• LangChain GitHub – source code และ community