LlamaIndex vs LangChain: أيهما يناسب تطبيقك؟

LlamaIndex vs LangChain: أيهما تختار لمشروعك؟

اختر LlamaIndex لتطبيق يتمحور حول المستندات، واختر LangChain لوكيل ينسّق العمل بين الأدوات. يدعم كلاهما بناء أنظمة التوليد المعزّز بالاسترجاع، أو RAG: أي جلب المحتوى ذي الصلة من المصادر قبل مطالبة النموذج بالإجابة.

إذا كنت مؤسسًا تبني مساعد دعم يعتمد على أدلة استخدام المنتجات، فإن LlamaIndex هو نقطة البداية الأنسب. فهو يوفّر تجريدات برمجية للمستندات والفهارس ومحركات الاستعلام، تجعل المسار من إدخال البيانات إلى الإجابة محور الشيفرة. ابدأ به إذا كان سؤالك الهندسي التالي يتعلق بمقاطع مفقودة، أو بنية المستند، أو الأدلة التي تصل إلى النموذج.

أما إذا كنت مطورًا تبني مساعدًا يقرأ سياسة المتجر، ويتحقق من طلب شراء، ويطلب الموافقة قبل رد المبلغ، فإن LangChain هو نقطة البداية الأنسب. تضع واجهة الوكلاء الحالية الأدوات وحلقة عمل النموذج في المركز، ويعمل LangGraph إطارًا للتنفيذ في الأساس. ابدأ به إذا كان سؤالك التالي يتعلق بالحالة، أو الموافقة، أو الإجراء الذي ينبغي تنفيذه بعد ذلك.

إذا كان تطبيقك الحالي يلبي متطلبات الاسترجاع وسير العمل، فاحتفظ به. تغيير اسم الإطار لن يصلح جدولًا حُلّل على نحو خاطئ، ولن يجعل عملية دفع غير آمنة مأمونة. لا تضف المكوّن الناقص إلا بعد أن تحدد الخلل الذي سيعالجه.

تعتمد المقارنة هنا على معالجة المستندات، والتحكم في تنفيذ الوكلاء، وحدود التكامل، والتكلفة المستمرة. هذه أحكام مستندة إلى الوثائق، وليست ترتيبًا مبنيًا على قياسات للسرعة أو الدقة.

المصادر: وثائق LlamaIndex، ووثائق LangChain، وحزمة LlamaIndex وحزمة LangChain، وصفحتا أسعار LlamaParse وأسعار LangSmith لدى الشركتين. تؤدي الخدمات المستضافة في صف الأسعار مهام مختلفة؛ لذلك لا تمثل اشتراكات متكافئة.

ما الفرق بين LlamaIndex وLangChain اليوم؟

لم يعد LlamaIndex مجرد فهرس، ولا LangChain مجرد مجموعة من السلاسل. تتناول الوثائق الحالية الوكلاء في كلتا المنظومتين. الفارق هو نوع البنية الأولية التي يساعدك كل إطار على الانطلاق منها.

شرح LlamaIndex: مسارات البيانات ووكلاء المستندات

LlamaIndex إطار مفتوح المصدر لبناء وكلاء يستخدمون بياناتك. تغطي مكوّناته تحميل المستندات، وإنشاء تمثيلات قابلة للبحث، واسترجاع الأدلة، وتوليد الإجابات. وتدعم Workflows أيضًا عمليات قائمة على الأحداث، تشمل التفرّع وإعادة المحاولة والمراجعة البشرية. يوضح هذا النطاق الأوسع صراحةً التعريف بالإطار في وثائقه الرسمية.

في مساعد للعقود، تكون الوحدة المهمة غالبًا هي المقطع من المستند: مصدره، والإصدار الذي ينتمي إليه، وما إذا كان القسم المحيط به يغيّر معناه. يتيح لك Node في LlamaIndex إدارة هذه الأدلة؛ فهو جزء من محتوى المصدر مع بياناته الوصفية وعلاقاته. ثم يجمع محرك الاستعلام بين الاسترجاع وتوليد الإجابة. راجع دليل VectorStoreIndex.

لكن جودة المدخلات تضع حدًا لما يمكنه تقديمه. فقد تفصل أداة تحميل تحوّل الجدول إلى نص مسطّح سعرًا عن عنوان عموده؛ وعند فهرسة النص، سيُحفَظ الخطأ كما هو. تميّز وثائق LlamaIndex نفسها بين أدوات القراءة المدمجة للنصوص الواضحة وخدمة LlamaParse التجارية للمستندات الأكثر تعقيدًا. اختر الإطار بناءً على تجريداته الخاصة بالبيانات، ثم قيّم تحليل المستندات على حدة.

وهناك اعتبار يتعلق بالصيانة أيضًا: يشير الوصف الحالي للحزمة من الجهة المطوّرة إلى أن التركيز الأساسي انتقل إلى LlamaParse وأدوات المستندات المرتبطة به، مع بقاء الإطار متاحًا بوصفه حزمة أدوات مفتوحة. إذا كنت ستعتمد عليه مدة طويلة، فتحقق من صيانة عمليات التكامل المحددة التي تحتاجها قبل الالتزام بها.

شرح LangChain: وكلاء يعملون فوق LangGraph

LangChain إطار مفتوح المصدر، توفّر واجهته الحالية create_agent بيئة تشغيل قابلة للتهيئة للوكيل: الأدوات والتعليمات ومنطق التنفيذ المحيط الذي يسمح للنموذج بأداء العمل. وتتيح البرمجيات الوسيطة تخصيص السلوك حول هذه الحلقة. يوضح التعريف بالإطار أن LangGraph هو الأساس الذي تعمل فوقه هذه الوكلاء.

في وكيل لدعم طلبات الشراء، قد يكون الاسترجاع مجرد أداة ضمن أدوات عدة. وقد يستعلم التطبيق أيضًا عن حالة الشحنة ويُعدّ مقترحًا لرد المبلغ. يكون LangChain نقطة البداية الطبيعية حين تكون هذه التفاعلات بين الأدوات هي جوهر المنتج.

لكن تجريد الوكيل لا يستطيع تحديد قواعد أعمالك التي يجب ألا تُخرق. ما زال عليك تحديد من يحق له استرداد المبلغ، والموافقة المطلوبة، وكيف تمنع التنفيذ المتكرر من رد المبلغ مرتين. يوفّر الإطار آليات التنفيذ، وتبقى القواعد مسؤولية التطبيق.

متى تستخدم LangChain ومتى تستخدم LangGraph؟

استخدم تجريد الوكيل في LangChain حين يناسب المهمةَ نموذجٌ يختار الأدوات. واستخدم LangGraph مباشرةً حين تحتاج إلى تحديد حالة سير العمل وانتقالاته بوضوح أكبر. LangGraph جزء من وكلاء LangChain الحاليين بالفعل، لذا فإن إضافة الذاكرة أو المراجعة البشرية لا تستلزم إعادة الكتابة تلقائيًا. تتناول مقارنة LangChain وLangGraph هذا القرار بالتفصيل.

إصدارات Python الحالية والتراخيص

جرى التحقق في 13 أكتوبر 2026: كانت حزم Python المنشورة هي llama-index 0.14.25، وllama-index-core 0.14.25، وlangchain 1.4.5، وlanggraph 1.2.15. هذه إصدارات كل حزمة وقت التحقق، وليست إصدارًا موحّدًا لكل عمليات التكامل في المنظومة.

يحمل مستودعا الإطارين ترخيص MIT: ترخيص LlamaIndex وترخيص LangChain. أما المنتجات المستضافة فلها شروط تجارية مستقلة. لا يشمل ترخيص الإطار المجاني تكاليف تشغيل النموذج، أو قاعدة بيانات متجهات مستضافة، أو خادم تطبيقك.

مهمة RAG بسيطة نفسها في الإطارين

يحمّل المثالان ملفات نصية محلية، وينشئان فهرسًا في الذاكرة، ويجيبان عن السؤال نفسه بالاعتماد على المحتوى المسترجع. الغرض منهما توضيح شكل الواجهات البرمجية؛ وقد روجعا بالاستناد إلى الوثائق، ولم يُشغَّلا عبر واجهة نموذج مدفوعة ضمن هذه المقارنة.

أنشئ مجلدًا باسم data وضع فيه ملفات سياساتك بصيغة .txt وترميز UTF-8. اضبط OPENAI_API_KEY، ثم اضبط RAG_MODEL على نموذج المحادثة نفسه من OpenAI، على أن يكون متاحًا لحسابك في كلا البرنامجين. يحدد المثالان صراحةً text-embedding-3-small لإنشاء التضمينات، وهي التمثيلات العددية المستخدمة للبحث عن محتوى متشابه. يوصي الدرس التمهيدي في LlamaIndex بتحديد نموذج التضمين صراحةً.

مثال موجز باستخدام LlamaIndex

ثبّت llama-index-core وllama-index-readers-file وllama-index-llms-openai وllama-index-embeddings-openai. ويمكنك بدلًا من ذلك تثبيت الحزمة التمهيدية llama-index التي تضم هذه المكوّنات؛ راجع دليل التثبيت.

import os
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI

docs = SimpleDirectoryReader("data", required_exts=[".txt"]).load_data()
embed = OpenAIEmbedding(model="text-embedding-3-small")
index = VectorStoreIndex.from_documents(docs, embed_model=embed)
llm = OpenAI(model=os.environ["RAG_MODEL"])
engine = index.as_query_engine(llm=llm, similarity_top_k=3)
print(engine.query("What is the refund window?"))

هنا تتولى from_documents تحويل المستندات إلى عُقد وفهرستها، ويتولى محرك الاستعلام الاسترجاع وصياغة الإجابة. هذه هي الفائدة في مساعد معرفي صغير: تعبّر الشيفرة مباشرةً عن المهمة المرتبطة بالمستندات، مع بقاء المكوّنات الأدنى مستوى متاحة حين تحتاج إلى تعديلها.

مثال موجز باستخدام LangChain

ثبّت langchain-core وlangchain-openai وlangchain-text-splitters. يستخدم مسار الاسترجاع الثابت هذا حزم مكوّنات LangChain؛ ولا تحتاج إلى حزمة الوكلاء الرئيسية langchain ما لم تضف وكيلًا. تشرح الواجهاتَ البرمجية وثائق RAG، ومرجع المخزن في الذاكرة، ودليل التكامل مع OpenAI.

import os
from pathlib import Path
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
files = Path("data").glob("*.txt")
docs = [Document(page_content=p.read_text(encoding="utf-8"), metadata={"source": str(p)}) for p in files]
chunks = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100).split_documents(docs)
index = InMemoryVectorStore.from_documents(chunks, OpenAIEmbeddings(model="text-embedding-3-small"))
question = "What is the refund window?"
context = "\n\n".join(d.page_content for d in index.similarity_search(question, k=3))
llm = ChatOpenAI(model=os.environ["RAG_MODEL"])
print(llm.invoke(f"Answer only from this context; if absent, say unknown.\n{context}\nQuestion: {question}").content)

يُظهر هذا المثال الخطوات بوضوح: تحميل النص، وتقسيمه، وإنشاء تضميناته وتخزينها، واسترجاع المقاطع، ثم استدعاء نموذج المحادثة. يصبح هذا الربط الإضافي بين المكوّنات مفيدًا حين يكون الاسترجاع جزءًا من تطبيق أكبر.

الاسترجاع والتحكم في الوكلاء: أي إطار يتفوق في كل مهمة؟

يقدّم LlamaIndex التجريد الأنسب للبدء في استرجاع المستندات، ويقدّم LangChain التجريد الأنسب للبدء في وكيل ينسّق الإجراءات. هذه أحكام حول الملاءمة الهندسية، وليست ادعاءً بأن أحد الإطارين عاجز عن أداء عمل الآخر.

إدخال المستندات واسترجاعها: الأفضلية لـLlamaIndex

اختر LlamaIndex إذا كانت معظم التغييرات ستقع في المسار بين المستند الخام والأدلة التي تُعاد إلى النموذج. تحافظ بنيته الخاصة بالفهرسة ومحركات الاستعلام على ترابط هذا العمل. فمساعد المشتريات الذي يجيب عن أسئلة تشمل تعديلات العقود يحتاج إلى الحفاظ على العلاقات بين المصادر قبل أن يحتاج إلى حلقة أخرى لاستدعاء الأدوات.

يستطيع LangChain بناء مسار الاسترجاع نفسه. تفصل وثائق RAG فيه بين الفهرسة من جهة، والاسترجاع والتوليد من جهة أخرى، ويعرض المثال السابق الحالة البسيطة. إذا كانت لديك خدمة بحث جيدة بالفعل، فقد يتطلب استدعاؤها من LangChain جهدًا أقل من إضافة إطار جديد.

يتغير الاختيار حين لا يعود الاسترجاع هو الجزء الصعب. فوجود قاعدة معرفة سليمة إلى جانب أدوات أعمال متعددة يرجّح توجيه الجهد إلى سير عمل الوكيل.

الوكلاء الذين يستخدمون الأدوات والتحكم في سير العمل: الأفضلية لـLangChain

اختر LangChain حين يتنقل التطبيق بين الأدلة والإجراءات: يقرأ سياسة، ويجلب سجل عميل، ويطلب المعلومات الناقصة، ثم يُعدّ إجراءً للموافقة عليه. تلائم هذا التسلسلَ حلقةُ الوكيل القابلة للتهيئة والأساسُ القائم على LangGraph.

يدعم LlamaIndex الوكلاء أيضًا. يشرح دليل الوكلاء الرسمي وكلاء يستخدمون الأدوات، ويضيف الدرس التمهيدي الاسترجاع بوصفه أداة قابلة للاستدعاء. يمكن لمساعد مستندات يبحث ويحسب ويعيد إجابة أن يعمل بالكامل داخل LlamaIndex.

إذا كان سير عملك القائم على المستندات مبنيًا فيه بالفعل، فلا داعي إلى الانتقال لمجرد أن المنتج أصبح يتضمن «وكيلًا». انتقل فقط حين تبرر احتياجاتك الجديدة للتحكم في سير العمل تغيير طبقة التنفيذ.

كيف تقارن LlamaIndex مع LangGraph؟

غالبًا ما يعمل LlamaIndex وLangGraph في طبقتين مختلفتين. يستطيع LlamaIndex تجهيز الأدلة واسترجاعها، بينما يستطيع LangGraph التحكم في تقدم سير عمل يحتفظ بالحالة بعد استلامها. وتوفّر Workflows في LlamaIndex خيارًا آخر لطبقة التنفيذ؛ لذا فإن الجمع بين الإطارين قرار معماري، وليس تعويضًا عن ميزة مفقودة.

المعيار هو وضوح المسؤولية: ينبغي أن يتولى مكوّن واحد استرجاع المستندات، وأن يتولى مكوّن واحد حالة تنفيذ التطبيق. إذا كان كلاهما يقرر مستقلًا عمليات إعادة المحاولة وحالة المحادثة، فسيصعب تشخيص سبب تكرار إجراء ما.

جودة الاسترجاع: قيّم موضع الخلل قبل اسم الإطار

لا تثبت قائمة المزايا تفوق أي من الإطارين في الدقة. استخدم مجموعة المصادر والأسئلة نفسها، ثم افحص ما إذا كانت الأدلة الصحيحة قد استُرجعت قبل الحكم على صياغة الإجابة.

عند تقييم مساعد للسياسات، أدرج سؤالًا اعتياديًا عن استرداد المبلغ، وسؤالًا لا توجد إجابته إلا في تعديل للسياسة، وسؤالًا لا تتوافر إجابته، وآخر عن مستند لا يملك المستخدم صلاحية الوصول إليه. لا تكفي إجابة سلسة الصياغة: تحقّق من إصدار المصدر، وحدود الصلاحيات، وما إذا كانت الأدلة تسند الإجابة.

ابدأ باسترجاع ثابت الخطوات. ولا تضف البحث التكيّفي إلا حيث يمكن لخطوة إضافية لجمع الأدلة أن تصلح إجابة أخفقت. يوضح شرح RAG القائم على الوكلاء متى تستحق حلقة القرار الإضافية تكلفتها.

ما المجاني، وما الذي تدفع مقابله؟

الإطاران مجانيان؛ أما معالجة المستندات المستضافة، ومراقبة التنفيذ، والنشر فهي خدمات تُشترى على حدة. جرى التحقق من الأسعار أدناه بالرجوع إلى صفحات الأسعار الأمريكية المباشرة لدى الشركتين في 13 أكتوبر 2026.

LlamaCloud وLlamaParse

LlamaParse هو الاسم المستخدم الآن في صفحة أسعار LlamaIndex العامة لمنصته المستضافة للمستندات، التي تُستخدم عبر لوحة تحكم LlamaCloud. تشمل المنصة التحليل والاستخراج والفهرسة. وهي خدمة تجارية إلى جانب الإطار المفتوح المصدر، وليست اشتراكًا إلزاميًا لاستيراد llama_index.

تتضمن الخطط المعلنة خطة Free بسعر $0 شهريًا مع 10,000 رصيد، وStarter بسعر $50 شهريًا مع 40,000 رصيد، وPro بسعر $500 شهريًا مع 400,000 رصيد. أما Enterprise فتُسعّر حسب الطلب. يبلغ سعر الاستخدام القياسي $1.25 لكل 1,000 رصيد.

تختلف تكلفة صفحة PDF بحسب مستوى التحليل: يستهلك Fast مقدار 1 رصيد، وCost-effective مقدار 3، وAgentic مقدار 10، وAgentic Plus مقدار 45. يحوّل الرسم التالي معدلات الاستخدام المنشورة إلى قيمة الأرصدة اللازمة لمعالجة الدفعة نفسها. ولا يحتسب الأرصدة المشمولة، أو الحد الأدنى للاشتراكات، أو الإضافات؛ لذلك لا يمثل فاتورة شهرية.

ينتج Fast نصًا يحتفظ بالمواضع المكانية بدلًا من Markdown، لذا اختره فقط إذا كانت مخرجاته تلائم مسار إدخال البيانات لديك. كذلك لا تلغي الأرصدة حدود الخطط: تتيح Free وStarter تنفيذ 5 مهام تحليل متزامنة، مقابل 20 في Pro. رقِّ خطتك للحصول على السعة أو المزايا التي تحتاجها، لا على افتراض أن حزمة أرصدة أكبر تخفّض تلقائيًا سعر الرصيد الواحد. المصادر: أسعار الاستخدام ومقارنة الخطط.

LangSmith

LangSmith هو المنصة التجارية لمراقبة التنفيذ والتقييم والنشر ضمن منظومة LangChain. يستطيع تتبّع تطبيقات مبنية بأطر أخرى، منها LlamaIndex، ما يتيح لك اختياره بصورة مستقلة عن قرار الإطار. تشرح الجهة المطوّرة هذا الدعم عبر الأطر المختلفة.

تدرج أسعار LangSmith خطة Developer بسعر $0 شهريًا لمستخدم واحد، وتشمل 5,000 سجل تتبّع أساسي، وخطة Plus بسعر $39 لكل مستخدم شهريًا، وتشمل 10,000 سجل تتبّع أساسي إجمالًا. تُفرض رسوم على الاستخدام الإضافي. أما Enterprise فتُسعّر حسب الطلب.

يوثّق سجل التتبّع تنفيذًا للتطبيق، وقد يحتوي على استدعاءات متعددة للنموذج وأحداث تخص الأدوات. فهو ليس مرادفًا لوحدة نصية أو لمقطع مسترجع منفرد. تشمل Plus نشرًا صغيرًا دون خادم، لكن عليك تخصيص ميزانية منفصلة للاستخدام الإضافي في النشر؛ إذ توصي الشركة بنشر مخصص للوكلاء الذين يتعاملون مع العملاء.

عبء العمل الشهري نفسه: كم تدفع مع كل إطار؟

عند استخدام الخدمات نفسها بالمقادير نفسها، لا يوفّر الانتقال بين الإطارين شيئًا من رسوم الاشتراك. إليك سيناريو شهريًا محدود النطاق عمدًا، مع استضافة التطبيق والفهرس على نحو منفصل:

• يحتاج ثلاثة مطورين إلى اشتراكات مستخدمين في LangSmith Plus.
• ينتج التطبيق 20,000 سجل تتبّع أساسي.
• تحلّل 1,000 صفحة PDF جديدة باستخدام مستوى Agentic من LlamaParse.
• تستخدم نموذج المحادثة ونموذج التضمين وحجم استخدام الوحدات النصية نفسها في كلا التنفيذين.
• لا تستخدم في هذا السيناريو خدمة Index المستضافة، أو تخزين الملفات المحتفَظ بها، أو غير ذلك من عمليات المستندات التي تستهلك أرصدة.

يستهلك التحليل 1,000 × 10 = 10,000 رصيد، وهو ما يقع ضمن الرصيد الشهري لخطة Free إن لم يكن قد استُخدم في شيء آخر. تبلغ الرسوم النقدية $0، مع أن قيمة الأرصدة المستهلكة بالسعر المعلن هي $12.50. هذان رقمان مختلفان: قيمة الأرصدة لا تعني صدور فاتورة في خطة Free. مدخلات الحساب: خطط LlamaParse ومعدلات الاستخدام.

تعرض حاسبة أسعار LangSmith الحالية معدل 0.005 LSU لكل سجل تتبّع إضافي، بسعر $1 لكل LSU. تكلفة اشتراكات المستخدمين الثلاثة هي 3 × $39 = $117. أما استخدام التتبّع فوق الحصة المشتركة فيكلّف (20,000 − 10,000) × $0.005 = $50. وبذلك يبلغ المجموع الفرعي للخدمات المختارة $167 شهريًا مع LlamaIndex و$167 شهريًا مع LangChain.

لا يشمل هذا المجموع تشغيل النموذج، أو التضمينات، أو استضافتك الخاصة. ميزانية التطبيق الكاملة هي تكلفة الخدمات المختارة مضافًا إليها هذه التكاليف. توحيد عبء عمل النموذج يبقي هذه المدخلات متساوية؛ أما الإطار الذي يتسبب في عمليات استرجاع أو استدعاءات إضافية للنموذج فيغيّر عبء العمل، ويجب قياسه على حدة.

لا توجد هنا نقطة يتغيّر عندها الإطار الأقل تكلفة بسبب رسوم الإطار نفسه: تظل رسوم الإطارين صفرًا، ويستطيع كلاهما استخدام الخدمات المدفوعة نفسها. مقارنة $50 لمعالجة المستندات مع $39 لمراقبة التنفيذ هي مقارنة بين مهمتين مختلفتين. قرار الإنفاق يتعلق بالخدمة التي يحتاجها تطبيقك ومقدار ما يستهلكه منها.

فارق الفوترة: استعلام الاسترجاع ليس دورًا في المحادثة

تسعّر خدمة Index v2 المستضافة من LlamaParse استعلام الاسترجاع بمقدار 1 رصيد، ودور المحادثة بمقدار 100 رصيد، إلى جانب رسوم التحليل والتخزين ذات الصلة. بالسعر القياسي، تبلغ قيمة الأرصدة اللازمة لتنفيذ 1,000 عملية $1.25 للاسترجاع أو $125 للمحادثة المستضافة، قبل احتساب الحصص المشمولة. هذه عمليات مختلفة، وليست سعرين للإجابة نفسها. المصدر: أسعار Index.

يهم هذا الفرق عند تصميم منظومة تجمع الإطارين. إذا كان الوكيل الخارجي يولّد الإجابة النهائية بالفعل، فحدّد ما إذا كانت أداة الاسترجاع تحتاج إلى أدلة أم إلى إجابة صاغتها خدمة أخرى. يؤثر هذا القرار في الواجهة وفي وحدة احتساب الاستخدام. لا يترتب على استدعاء محلي لـquery_engine.query() تلقائيًا رسم دور المحادثة في Index المستضاف؛ فلا بد أن تكون الخدمة المُدارة جزءًا فعليًا من مسار الطلب.

متى تجمع بين LlamaIndex وLangChain؟

استخدم كليهما حين يكون استرجاع المستندات وتنسيق الإجراءات تحديين مستقلين وصعبين. من الأمثلة المناسبة وكيل دعم عليه تفسير تعديلات السياسات وتنسيق سير عمل للموافقات. أما واجهة أسئلة وأجوبة فوق نصوص واضحة فلا تحتاج عادةً إلى ذلك.

اجعل LlamaIndex مسؤولًا عن إدخال المستندات واسترجاعها. أتح دالة أو خدمة محدودة المسؤولية تعيد المقاطع ذات الصلة مع معرّفات مصادرها وبياناتها الوصفية. ودع وكيل LangChain يستدعي هذه الدالة بوصفها أداة، مع LangGraph أساسًا لتنفيذه. يشرح دليل الجمع بين الإطارين لدى الشركة هذا التقسيم.

في مثال الدعم، أرجع مقطع السياسة ومعرّف المستند وبياناته الوصفية الخاصة بالإصدار. يستطيع الوكيل عندئذ مقارنته بسجل الطلب وإعداد إجراء مقترح. احتفظ بهذه الإحالات إلى المصادر وصولًا إلى الرد النهائي، حتى يستطيع التطبيق التحقق مما يسند الإجابة.

تجنّب إدخال إجابة مصاغة بالكامل في حلقة أخرى لتوليد الإجابات من غير قصد. قد يكون النص الذي يعيده محرك الاستعلام مريحًا، لكنه قد يحجب المقاطع الأصلية عن الوكيل الخارجي. حين تكون مراجعة المصادر مهمة، فضّل نتيجة استرجاع تتضمن الأدلة صراحةً. ولا تستخدم إجابات فرعية مصاغة إلا حين تقصد أن يكون هذا هو نطاق المهمة الفرعية.

التكلفة الإضافية لاستخدام إطارين هي الصيانة: واجهتا تكامل، ومزيد من تحديثات الاعتماديات، وحدّ فاصل إضافي يحتاج إلى أدوات رصد. لا يبرَّر الجمع بينهما إلا إذا استطعت وصف مسؤولية كل منهما دون القول إن كليهما «يتولى الوكيل».

الانتقال بين الإطارين: ما الذي تنقله، وما الذي قد يتعطل؟

تكلفة الانتقال تكمن في قواعد تنظيم البيانات وحالة سير العمل، لا في استبدال أسطر الاستيراد. ينبغي أن يبدأ الانتقال من LlamaIndex إلى LangChain، أو استخدام LlamaIndex بديلًا لمكوّنات الاسترجاع في LangChain، من مواصفات الواجهة التي يتيحها تطبيقك الحالي.

احتفظ بالمستندات الأصلية والبيانات الوصفية القابلة للتصدير. حافظ على معرّفات المستندات، ووسوم صلاحيات الوصول، وإصدارات المصادر، ومراجع الإحالات. هذه أصول للتطبيق، أما كائنات المستندات والعُقد الخاصة بكل إطار فهي طبقات تكييف حولها.

قد تظل التضمينات الحالية صالحة للاستخدام إذا بقي نموذج التضمين، وعدد الأبعاد، والنص المخزّن، ومخطط قاعدة البيانات متوافقة. لا تفترض أن طبقة تكييف جديدة تستطيع قراءة كل الحقول دون تغيير. إذا غيّرت حدود المقاطع أو نموذج التضمين، فخطط لإعادة بناء الفهرس المتأثر وإعادة تقييم نتائج الاسترجاع. يميّز دليل مخازن المتجهات في LlamaIndex بين المخزن الافتراضي في الذاكرة وعمليات التكامل التي توفّر تخزينًا دائمًا.

في سير العمل، تعامل مع حالة المحادثة والموافقات المعلّقة والإجراءات غير المكتملة بوصفها عملية انتقال مستقلة. لا تُعِد تنفيذ استدعاءات الأدوات السابقة لمجرد إعادة بناء الحالة؛ فقد يترتب على تكرار إجراء خارجي أثر فعلي حتى لو بدت المحادثة صحيحة. حدّد كيف ستنتهي الجلسات القديمة وكيف ستبدأ الجديدة قبل تحويل حركة الطلبات.

لا تنقل وكيل مستندات مستقرًا في LlamaIndex لمجرد الحصول على وصف «وكيل». ولا تستبدل مسار استرجاع ناجحًا في LangChain لأن مثالًا آخر أقصر في عدد الأسطر. انتقل حين يجعل التجريد الحالي التعبير عن متطلب محدد ومتكرر، أو صيانته، أكثر صعوبة.

الأسئلة الشائعة

ما خطوتك التالية في البناء؟

ابدأ بالخلل الذي يجب أن يعالجه نموذجك الأولي. إذا كان العثور على المقطع الصحيح من المصدر، فابنِ أولًا مسار استرجاع بسيطًا باستخدام LlamaIndex. وإذا كان تنسيق الأدوات والإجراءات الموافق عليها، فابدأ بـLangChain وحدّد الحالة التي يجب أن تستمر بين الخطوات. اجعل النسخة الأولى التي تعمل محدودة النطاق بما يكفي لتفحص كل مصدر مسترجع وكل إجراء مقترح.

استخدم قائمة تدقيق سير العمل بالذكاء الاصطناعي للأعمال لتحديد المهمة، ومتطلبات الأدلة، وحدود الموافقات قبل اختيار الإطار.