LangChain — لانغ تشين

LangChain — هو إطار عمل مفتوح المصدر لتطوير التطبيقات التي تستخدم نماذج اللغة الكبيرة (LLM). يوفر مجموعة موحدة من التجريدات (النماذج، التضمينات، مخازن المتجهات، السلاسل، الوكلاء، الذاكرة، الاستدعاءات الراجعة) وأكثر من 250 تكاملاً، مما يسمح ببناء أنظمة LLM معقدة وتصحيحها ونشرها بسرعة، بما في ذلك روبوتات المحادثة، ومحركات البحث بتقنية RAG، والحلول القائمة على الوكلاء.

تاريخ

• أكتوبر 2022 — أول إصدار عام كمشروع مفتوح المصدر من قبل المؤلف هاريسون تشيس (Harrison Chase)، الذي كان يعمل آنذاك في Robust Intelligence.
• أبريل 2023 — تأسست شركة LangChain Inc.، وحصلت على تمويل يزيد عن 20 مليون دولار في جولة تمويلية بقيمة 20-25 مليون دولار من Sequoia (تم الكشف عنها بسرعة كاستثمار "pre-empt") بتقييم يقارب 200 مليون دولار، وقبل ذلك حصلت على 10 ملايين دولار كتمويل تأسيسي من Benchmark.
• أغسطس 2023 — إصدار LangChain Expression Language (LCEL)، وهي صيغة تعبيرية لبناء السلاسل.
• أكتوبر 2023 — الإعلان عن LangServe، وهي مكتبة لنشر سلاسل LCEL كواجهات برمجة تطبيقات (API) جاهزة للإنتاج عبر FastAPI.
• 2024–2025 — توسيع النظام البيئي بخدمات مثل LangSmith (منصة للتتبع والمقاييس واختبارات A/B) وLangGraph (لتنسيق تدفقات العمل متعددة الوكلاء)؛ تجاوز عدد النجوم على GitHub 100,000 نجمة.

ميزات LangChain

• السلاسل (Chains). يسمح LangChain بإنشاء تسلسلات من الخطوات، حيث تنفذ كل خطوة مهمة محددة. قد تشمل هذه الخطوات التفاعل مع النموذج، ومعالجة مخرجاته، والبحث عن معلومات إضافية، وغيرها من العمليات. يتيح هذا النهج إنشاء تدفقات عمل معقدة تتكون من عدة مراحل.
• الوكلاء (Agents). يمثل الوكلاء في LangChain برامج يمكنها اختيار الإجراءات ديناميكيًا بناءً على الموقف. على سبيل المثال، يمكن للوكيل أن يقرر الأداة التي سيستخدمها (البحث على الإنترنت، الاستعلام من قاعدة البيانات، إجراء عمليات حسابية، إلخ) بناءً على السياق الحالي والنتائج الوسيطة.

• الأدوات (Tools). يتضمن LangChain تكاملات مع أكثر من 250 أداة وخدمة خارجية. وهذا يسمح للنماذج بالعمل مع مصادر بيانات مختلفة، مثل قواعد البيانات، وواجهات برمجة التطبيقات، وأنظمة إدارة الملفات، وكذلك تنفيذ الإجراءات عبر سطر الأوامر.

• الذاكرة والسياق (Memory). يدعم LangChain الذاكرة طويلة الأمد، مما يسمح للنماذج بـ"تذكر" المعلومات بين التفاعلات. هذا مهم بشكل خاص لإنشاء روبوتات المحادثة أو التطبيقات التي يجب أن تتذكر سياق التفاعل مع المستخدم وتأخذ تاريخه في الاعتبار في الردود المستقبلية.

• التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG). ضمن نهج RAG، لا يستخدم LangChain توليد النصوص فحسب، بل يبحث أيضًا عن معلومات إضافية في مصادر حقيقية (على سبيل المثال، في قواعد البيانات أو على مواقع الويب). وهذا يسمح للنماذج بتقديم إجابات أكثر دقة وموثوقية، استنادًا إلى بيانات محدّثة.
• التصحيح والمراقبة (Callbacks & Tracing). لضمان الشفافية والتحكم في عملية عمل النموذج، يوفر LangChain إمكانيات التتبع والمراقبة. وهذا يسمح بتتبع البيانات التي يستخدمها النموذج، والخطوات الوسيطة التي يقوم بها، وكذلك جمع مقاييس الأداء لتحسين جودة عمل النظام.

• ملحقات للمنصات. يتضمن LangChain مكونات إضافية، مثل LangSmith وLangGraph، التي توفر إمكانيات للمراقبة المركزية، واختبار A/B، وإدارة تدفقات العمل متعددة الوكلاء. يساعد LangSmith في تحليل أداء النماذج وإجراء الاختبارات، بينما يسمح LangGraph بإدارة المهام المعقدة متعددة الخطوات وتتبع تنفيذها في الوقت الفعلي.

LangSmith - لانغ سميث

LangSmith [٦] — هي منصة سحابية مصممة لتتبع وتحليل وتحسين أداء التطبيقات التي تستخدم نماذج اللغة الكبيرة (LLM)، خاصة تلك التي تم بناؤها باستخدام LangChain. يوفر LangSmith مجموعة من الإمكانيات لمراقبة وتحسين جودة التطبيقات التي تعمل مع LLM، بما في ذلك تتبع الأداء والاختبار وتقييم الجودة.

• التتبع (Tracing): يسمح بتتبع جميع تفاعلات النموذج، بما في ذلك بيانات الإدخال والإخراج، وكذلك النتائج الوسيطة.
• المقاييس والأداء: يجمع إحصائيات حول زمن الاستجابة وعدد التوكنز والمعلمات الأخرى لتقييم أداء النموذج.
• اختبار A/B: يدعم مقارنة إصدارات مختلفة من النماذج أو الإعدادات لاختيار الأكثر فعالية.
• إشراك العنصر البشري (Human-in-the-loop): يشرك الخبراء لتقييم وتصحيح نتائج النموذج، مما يحسن من دقته.
• التكامل مع أطر العمل الأخرى: يوفر دعمًا للتكامل مع منصات مختلفة لمراقبة وتحليل التطبيقات.

• دعم تعدد المهام: يسمح بتتبع وإدارة مهام متعددة في وقت واحد ضمن مشروع واحد.

LangGraph - لانغ غراف

LangGraph [٧] — هو أداة لتنسيق تدفقات العمل المعقدة متعددة الخطوات ومتعددة الوكلاء، والتي تستخدم في النظام البيئي لـLangChain. يوفر LangGraph منصة لإنشاء وإدارة السلاسل المنطقية والمهام المعقدة التي تشمل عدة وكلاء أو مراحل تنفيذ.

• تدفقات العمل متعددة الخطوات: يبني سلاسل مهام معقدة، حيث تعتمد كل خطوة على الخطوات السابقة.
• الحلقات والتفرعات: يدعم العودة إلى المراحل السابقة (backtracking) واتخاذ القرارات بناءً على مسارات مختلفة.
• التحكم في الإصدارات و"السفر عبر الزمن": يقوم بمراقبة التغييرات في تدفق العمل وإمكانية التراجع إلى الإصدارات السابقة.
• الأنظمة متعددة الوكلاء: يسمح بإدارة عدة وكلاء يعملون بالتوازي أو بالتناوب لتنفيذ مهام مختلفة.
• دعم الحلول الهجينة: يدمج أساليب مختلفة لمعالجة البيانات وإنشاء الاستنتاجات ضمن تدفق عمل واحد.

• مرونة التكامل مع الأنظمة الخارجية: يربط بسهولة الخدمات والأنظمة الخارجية، مثل واجهات برمجة التطبيقات وقواعد البيانات، في تدفقات العمل.

LangChain Expression Language (LCEL) - لغة تعبير LangChain (LCEL)

LangChain Expression Language (LCEL) [٨] — هو إطار عمل DSL تعبيري لتكوين كائنات Runnable (السلاسل، الوكلاء، المعالجات). يتم التعبير عنه من خلال المعامل | (pipe)، مما يسمح بوصف ما يجب أن يحدث، بدلاً من كيفية تنفيذه خطوة بخطوة. الأسلوب التعبيري (what-to) يصف النتيجة المرجوة، ويقرر النظام بنفسه كيفية تحقيقها. LCEL هو آلية تنسيق تسمح لـLangChain بتنفيذ السلاسل على النحو الأمثل في وقت التشغيل.

• للسلاسل البسيطة (على سبيل المثال، موجه ← LLM ← محلل أو استخراج بسيط)، يعتبر LCEL مناسبًا جدًا.
• إذا كانت هناك حاجة إلى منطق معقد — تفرعات، حلقات، عدة وكلاء، وإدارة حالة معقدة — يوصى باستخدام LangGraph. وفي الوقت نفسه، يمكن استخدام LCEL داخل عقد الرسم البياني.

• إذا كان المطلوب استدعاء LLM مرة واحدة فقط — فلا حاجة إلى LCEL، يكفي استدعاء النموذج مباشرة.
• لسلسلة بسيطة — LCEL مناسب تمامًا ويساعد على الاستفادة من مزاياه.

• للسلاسل المعقدة — يتم استخدام LangGraph، مع إمكانية استخدام LCEL المدمج عند الحاجة.

سيناريوهات الاستخدام النموذجية

يمكن استخدام LangChain لحل مجموعة واسعة من المهام، مثل:

• روبوتات المحادثة: إنشاء مساعدين أذكياء يمكنهم التفاعل مع المستخدم، والإجابة على الأسئلة، والعمل مع مصادر بيانات خارجية.
• الوكلاء المستقلون: تطوير أنظمة يمكنها أداء مهام معينة دون تدخل بشري، على سبيل المثال، جمع المعلومات أو إنشاء التقارير.
• البحث وتحليل البيانات: بناء أنظمة للبحث الدلالي وتحليل المستندات، وهو ما يمكن أن يكون مفيدًا للعمل مع البيانات القانونية والمالية وأنواع أخرى من البيانات.
• أتمتة العمليات التجارية: إنشاء حلول لأتمتة معالجة البيانات، وإنشاء التقارير، والمهام الروتينية الأخرى.

مراجع

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Wang, L. et al. (2025). A Survey on Large Language Model Based Autonomous Agents. arXiv:2308.11432.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Li, X. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Wang, J. & Duan, Z. (2024). Agent AI with LangGraph: A Modular Framework for Enhancing Machine Translation Using Large Language Models. arXiv:2412.03801.
• Camargo da Silva, T. (2025). Extracting Knowledge Graphs from User Stories using LangChain. arXiv:2506.11020.
• Wang, Z. et al. (2024). Poisoned LangChain: Jailbreak LLMs by LangChain. arXiv:2406.18122.