LangChain কী? কখন ব্যবহার করবেন, কখন নয়
LangChain হলো LLM অ্যাপ বানানোর একটি framework। এর মূল building block, একটি ছোট স্কেচ এবং কখন সাধারণ কোড ভালো, জেনে নিন।
ছোট উত্তর: LangChain একটি open-source framework, যা Python ও JavaScript-এ পাওয়া যায়। LLM অ্যাপ্লিকেশনের জন্য এতে তৈরি building block আছে: model, prompt, document loader, retriever, tool ও chain। RAG-এর মতো কিছুর prototype বানাতে বা model provider বদলাতে এটি সময় বাঁচায়। তবে যে অ্যাপ শুধু একবার model call করে, সেখানে সাধারণ কোডই সাধারণত বেশি পরিষ্কার।
LangChain কোন সমস্যার সমাধান করে
বাস্তব LLM অ্যাপ প্রায় কখনোই শুধু একটি model call নয়। আপনাকে document load করতে হয়, সেগুলো chunk-এ ভাগ করতে হয়, embedding বানাতে হয়, সংরক্ষণ করতে হয়, সঠিক অংশ খুঁজে আনতে হয়, prompt সাজাতে হয়, model call করতে হয় এবং উত্তরটি parse করতে হয়। প্রতিটি provider ও প্রতিটি vector store-এর নিজস্ব API আছে।
LangChain এই ধাপগুলোকে একটি common interface-এ মুড়ে দেয়, ফলে সবকিছু নতুন করে না লিখেই অংশগুলো জোড়া লাগানো ও বদলানো যায়।
মূল building block
Block | কী করে |
|---|---|
Models | বিভিন্ন provider-এর chat ও embedding model-এর জন্য একই interface |
Prompts |
|
Document loaders | PDF, ওয়েব পেজ ও ফাইল একটি common document format-এ পড়ে |
Text splitters | লম্বা document-কে model-এ ঢোকার মতো chunk-এ কাটে |
Retrievers ও vector stores | প্রশ্নের সঙ্গে সবচেয়ে মিল থাকা chunk খুঁজে আনে |
Tools | যেসব function model আপনার কোডকে call করতে বলতে পারে |
Chains | ধাপগুলো এমনভাবে জোড়া, যাতে একটির output পরেরটির input হয় |
একই টিমের তৈরি LangGraph হলো সম্পর্কিত একটি library, যা state-সহ graph-ভিত্তিক agent workflow-এর জন্য: loop, branch এবং state মনে রাখা ধাপ। আগে LangChain শিখে agent-এর দরকার হলে LangGraph যোগ করতে পারেন।
একটি ছোট স্কেচ
কোডে ধারণাটি সহজে বোঝা যায়। এটি একটি উদাহরণমূলক স্কেচ, সরাসরি কপি করে চালানোর রেসিপি নয়। LangChain দ্রুত বদলায়, তাই সঠিক import ও model setup-এর জন্য বর্তমান documentation দেখে নিন।
# SKETCH ONLY: names and import paths change between versions.
# Check the current LangChain docs before running anything like this.
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
prompt = ChatPromptTemplate.from_template(
"Summarise this text in two sentences:\n\n{text}"
)
model = ... # a chat model object from the provider package you choose
chain = prompt | model | StrOutputParser() # prompt -> model -> plain string
print(chain.invoke({"text": "LangChain is a framework for LLM apps..."}))| অপারেটর ধাপগুলো জোড়া লাগায়: prompt টেক্সট বসায়, model উত্তর দেয়, আর parser একটি সাধারণ string ফেরত দেয়। model বদলাতে একটি লাইনই বদলাতে হয়।
কখন LangChain কাজে লাগে
RAG-এর prototype: loader, splitter ও retriever তৈরিই আছে। ধারণাটি নতুন হলে আগে পড়ুন RAG কী এবং vector database কীভাবে কাজ করে।
provider বদলানো: সামান্য কোড বদলে বিভিন্ন model বা vector store তুলনা করা যায়।
অনেক integration: বড় ecosystem থাকায় প্রায় কখনোই শুরু থেকে connector লিখতে হয় না।
কখন সাধারণ কোড ভালো
সহজ অ্যাপ: একটি model call করলে provider-এর নিজস্ব library ছোট ও পড়তে সহজ।
মৌলিক বিষয় শেখা: আগে একটি RAG pipeline হাতে বানান। তাহলে বুঝবেন প্রতিটি abstraction কী লুকিয়ে রাখে।
debugging: বাড়তি স্তর থাকলে error খুঁজে বের করা কঠিন হয়। কোন prompt পাঠানো হচ্ছে তা দেখতে না পেলে ঠিক করা যায় না।
স্থিতিশীলতা: framework দ্রুত বদলালে upgrade-এর কাজ বেশি হয়।
সাধারণ ভুল
prompt, token ও embedding না বুঝেই framework ব্যবহার শুরু করা।
বর্তমান docs-এর সঙ্গে না মিলিয়ে পুরোনো টিউটোরিয়ালের কোড কপি করা।
prompt ও retrieve করা টেক্সট প্রিন্ট না করে chain-এর আড়ালে bug লুকিয়ে ফেলা।
মূল কথা
LangChain হলো model, ডেটা ও tool জোড়া লাগানোর একটি toolbox। আগে সাধারণ কোডে বেসিক শিখুন, তারপর যেখানে সত্যিই কাজ বাঁচায় সেখানে LangChain ব্যবহার করুন।
শুরু করতে চান? LLM অ্যাপ্লিকেশন কীভাবে কাজ করে তা গোড়া থেকে শিখুন, যাতে যেকোনো framework সহজে বুঝতে পারেন। শুরু করুন ফ্রি কোর্স LLM দিয়ে AI ইঞ্জিনিয়ারিং: বিগিনার দিয়ে।
সম্পর্কিত লেখা
AI Engineering বিভাগের আরও লেখা
Chunking কী? RAG-এ ডকুমেন্ট ভাগ করার কৌশল
Chunking কীভাবে document-কে RAG system-এর search করার উপযোগী টুকরোয় ভাগ করে। Chunk size, overlap, প্রধান কৌশল আর পরীক্ষার উপায়, code সহ।
4 মিনিট পড়া১৬ নভে, ২০২৬LLM API key কীভাবে নেবেন (OpenAI ও Gemini) আর খরচ কীভাবে হিসাব হয়
OpenAI বা Gemini API key কোথায় বানাবেন, token ভিত্তিক বিল কীভাবে কাজ করে, খরচ কীভাবে আন্দাজ করবেন এবং key নিরাপদ রাখবেন কীভাবে।
4 মিনিট পড়া১১ নভে, ২০২৬Function calling কী? LLM কীভাবে tool ব্যবহার করে
function calling-এ LLM আপনার code-কে একটি tool চালাতে বলে আর ফলাফল ব্যবহার করে। ধাপে ধাপে প্রক্রিয়া, চালানোর মতো উদাহরণ ও নিরাপত্তার নিয়ম জানুন।
3 মিনিট পড়া৭ নভে, ২০২৬AI বা LLM System-এর Performance কীভাবে Evaluate করবেন?
একটি AI system তৈরি করাই যথেষ্ট নয়। এটি কতটা accurate, reliable, safe এবং useful—তা measure করাও অত্যন্ত গুরুত্বপূর্ণ।
2 মিনিট পড়া৬ সেপ, ২০২৬AI automation কী? কাজ ও ব্যবসায় বাস্তব উদাহরণ
AI automation হলো workflow-এর এলোমেলো, লেখা-নির্ভর ধাপে language model বসানো। বাস্তব উদাহরণ, একটি ছোট code প্যাটার্ন এবং ঝুঁকিগুলো জানুন।
4 মিনিট পড়া১৪ নভে, ২০২৬Portfolio-র জন্য beginners-দের ৭টি AI প্রজেক্ট আইডিয়া
Beginner portfolio-র জন্য সাতটি ছোট, শেষ করা যায় এমন AI project idea, প্রতিটি কী শেখায় এবং কীভাবে উপস্থাপন করলে অন্যরা আপনার কাজে আস্থা পাবে।
3 মিনিট পড়া১৪ নভে, ২০২৬
মন্তব্য
আলোচনায় যোগ দিতে সাইন ইন করুন।



