تیم‌های داده در سراسر سازمان‌ها با چالش مهمی مواجه هستند: در حالی که پذیرش هوش مصنوعی به‌صورت انفجاری رشد کرده است، اکثر پیاده‌سازی‌ها در عملکردهای پایه چت‌بات محدود مانده‌اند و از قابلیت‌های پیچیده ارکستراسیون که تحول واقعی کسب‌وکار را هدایت می‌کنند، غافل هستند. تیم‌های مهندسی ساعت‌های بی‌شماری را صرف بازسازی قابلیت‌های مشابه هوش مصنوعی در پروژه‌ها می‌کنند، با مشکلاتی مانند خرابی‌های مدیریت زمینه، پیچیدگی ادغام و شکنندگی عملیاتی که با هر به‌روزرسانی کتابخانه از بین می‌رود، دست‌وپنجه نرم می‌کنند. سازمان‌هایی که چارچوب‌های جامع ارکستراسیون هوش مصنوعی را با استفاده از LangChain پیاده‌سازی می‌کنند، چرخه‌های استقرار ۳ تا ۵ برابر سریع‌تر و کاهش ۶۰ تا ۸۰ درصدی بار مهندسی داده دستی را گزارش می‌دهند.
LangChain به‌عنوان چارچوب پیشرو برای ساخت برنامه‌های هوش مصنوعی پیچیده ظهور کرده است و اکوسیستمی جامع ارائه می‌دهد که نحوه برخورد توسعه‌دهندگان با همه‌چیز، از تحلیل اسناد گرفته تا جریان‌های کاری ادغام داده پیچیده را متحول می‌کند. با معماری مدولار خود شامل langchain-core، ماژول‌های خاص حوزه و ادغام‌های شریک، LangChain امکان سفارشی‌سازی یکپارچه زنجیره‌ها را با قابلیت‌های جریان‌سازی و مشاهده‌پذیری داخلی فراهم می‌کند.
این مقاله تأثیرگذارترین موارد استفاده LangChain را بررسی می‌کند، از برنامه‌های پایه‌ای مانند خلاصه‌سازی و چت‌بات‌ها تا پیاده‌سازی‌های پیشرفته مانند سیستم‌های چندعاملی و پردازش داده زمان واقعی. شما پیاده‌سازی‌های عملی، تکنیک‌های پیشرفته و نحوه ساخت برنامه‌های هوش مصنوعی آماده تولید که مشکلات واقعی کسب‌وکار را حل می‌کنند، خواهید آموخت.
قبل از شروع با LangChain چه باید بدانید؟
قبل از کاوش در موارد استفاده LangChain، اطمینان حاصل کنید که داده‌های شما به‌راحتی قابل دسترسی هستند. داده‌ها اغلب در منابع متعدد قرار دارند و استفاده از آن‌ها برای آموزش را دشوار می‌کنند. پلتفرم‌های حرکت داده بدون کد مانند Airbyte می‌توانند ادغام داده را ساده کنند.
۱. خلاصه‌سازی اسناد با LangChain
مورد استفاده خلاصه‌سازی
خلاصه‌سازی به شما کمک می‌کند تا محتوایی مانند مقالات، لاگ‌های چت، اسناد قانونی و مقالات پژوهشی را فشرده کنید. به دلیل محدودیت‌های طول زمینه مدل‌های زبانی بزرگ (LLM)، متون بزرگ‌تر باید به قطعات تقسیم شوند و سپس با رویکردهایی مانند stuff (قراردادن همه‌چیز در یک اعلان) یا map-reduce خلاصه شوند. پیاده‌سازی‌های مدرن از استراتژی‌های پیشرفته تقسیم‌بندی و تکنیک‌های بهینه‌سازی زمینه برای بهبود دقت و کاهش استفاده از توکن استفاده می‌کنند.
پیش‌نیازها
%pip install –upgrade –quiet langchain-openai langchain python-dotenvfrom dotenv import load_dotenvimport osload_dotenv()openai_api_key = os.getenv(‘OPENAI_API_KEY’, ‘YOUR_API_KEY’)
- دسترسی به داده‌های متنی از منابع مختلف.
- یک مدل زبانی بزرگ (مانند مدل‌های OpenAI یا مدل‌های منبع‌باز مانند LLaMA).
- کتابخانه‌های LangChain برای مدیریت اعلان‌ها و زنجیره‌ها.
خلاصه‌سازی متن کوتاه
برای متون کوتاه، LangChain از یک اعلان ساده با یک مدل زبانی بزرگ برای تولید خلاصه‌های فشرده استفاده می‌کند.
خلاصه‌سازی متن طولانی‌تر با تکنیک‌های پیشرفته
برای اسناد بزرگ‌تر، LangChain از تکنیک‌های map-reduce استفاده می‌کند که متن را به قطعات تقسیم می‌کند، هر قطعه را به‌صورت جداگانه خلاصه می‌کند و سپس خلاصه‌ها را ترکیب می‌کند. این روش مقیاس‌پذیر است و برای مقالات پژوهشی یا گزارش‌های شرکتی طولانی مناسب است.
خلاصه‌سازی آگاه از زمینه
پیاده‌سازی‌های پیشرفته خلاصه‌سازی از قالب‌های اعلان سفارشی استفاده می‌کنند که با انواع اسناد سازگار می‌شوند و شامل متادیتا برای درک بهتر زمینه هستند. این رویکرد توهم را کاهش می‌دهد و دقت را در فرمت‌های مختلف محتوا حفظ می‌کند. سازمان‌های مراقبت‌های بهداشتی از خلاصه‌سازی LangChain برای یادداشت‌های بالینی استفاده کرده‌اند و زمان مستندسازی را از ۳۰ دقیقه به ۳ دقیقه کاهش داده‌اند، در حالی که دقت را از طریق سیستم‌های اعتبارسنجی چندلایه حفظ کرده‌اند. شرکت‌های حقوقی از ادغام‌های بارگذار اسناد LangChain برای پردازش قراردادها و اسناد قضایی از طریق زنجیره‌های خلاصه‌سازی تخصصی استفاده می‌کنند که اصطلاحات حیاتی و ارجاعات نظارتی را حفظ می‌کنند.
۲. ساخت عامل‌های مکالمه‌ای با LangChain
LangChain ساخت عامل‌های مکالمه‌ای را که شامل حافظه و پایداری زمینه هستند، آسان می‌کند. چت‌بات‌های مدرن از پاسخ‌های جریانی، حافظه مکالمه و مدیریت گفت‌وگوی چندمرحله‌ای برای تعاملات طبیعی‌تر استفاده می‌کنند. پیاده‌سازی‌های پیشرو اکنون میلیون‌ها مکالمه را ماهانه مدیریت می‌کنند، در حالی که زمینه را در تعاملات پیچیده چندمرحله‌ای حفظ می‌کنند.
چت‌بات پایه با حافظه
شیء ConversationBufferMemory تاریخچه گفت‌وگو را ذخیره می‌کند و آن را به هر اعلان بازمی‌گرداند، که امکان زمینه چندمرحله‌ای را بدون مهندسی دستی فراهم می‌کند. می‌توانید این را با ConversationSummaryMemory، VectorStoreRetrieverMemory یا ماژول‌های حافظه سفارشی برای موارد استفاده پیچیده‌تر مانند خلاصه‌سازی چت‌های طولانی یا بازیابی زمینه خاص دامنه تعویض کنید.
معماری عامل پیشرفته با ابزارها
پیاده‌سازی‌های چت‌بات سازمانی قابلیت‌های مکالمه‌ای LangChain را با ابزارها و سیستم‌های حافظه تخصصی ترکیب می‌کنند. سازمان‌های خدمات مشتری چت‌بات‌هایی را با استفاده از ConversationBufferMemory برای تعاملات مبتنی بر جلسه و ConversationSummaryMemory برای ردیابی روابط بلندمدت مشتری مستقر می‌کنند. مؤسسات مالی چت‌بات‌های آگاه از انطباق را پیاده‌سازی می‌کنند که مسیرهای حسابرسی را حفظ می‌کنند، در حالی که از طریق ادغام با سیستم‌های CRM و پایگاه‌های داده نظارتی کمک شخصی‌سازی‌شده ارائه می‌دهند.
۳. تکنیک‌های پیشرفته مشاهده‌پذیری و نظارت برای برنامه‌های LangChain
ظهور پلتفرم‌های تخصصی مشاهده‌پذیری نشان‌دهنده تغییر اساسی در مدیریت چرخه عمر برنامه‌های LLM است. پیچیدگی ذاتی LangChain با زنجیره‌های تو در تو، جریان‌های کاری عاملی و ادغام‌های ابزار خارجی چالش‌های نظارتی منحصربه‌فردی ایجاد می‌کند که ابزارهای APM سنتی نمی‌توانند آن‌ها را برطرف کنند. ماهیت غیرقطعی مدل‌های مولد، جداسازی عملکرد را پیچیده‌تر می‌کند و نیاز به قابلیت‌های ردیابی تخصصی دارد که الگوهای مصرف توکن، انتشار زمینه در زنجیره‌ها و نقاط داغ تأخیر API شخص ثالث را نگاشت می‌کنند.
ادغام LangSmith برای نظارت تولید
LangSmith، ابزار مشاهده‌پذیری داخلی LangChain، ردیابی جامع، ثبت‌نویسی و تحلیل‌های عملکرد را ارائه می‌دهد. این امکان نظارت بر مصرف توکن، تأخیر زنجیره و تعاملات ابزار خارجی را فراهم می‌کند و مشکلات را قبل از تأثیر بر کاربران شناسایی می‌کند.
هوش هزینه و بهینه‌سازی عملکرد
LangSmith هوش هزینه را با ردیابی مصرف توکن و هزینه‌های API فراهم می‌کند، که به سازمان‌ها کمک می‌کند تا استفاده از مدل‌های زبانی بزرگ را بهینه کنند. تکنیک‌های بهینه‌سازی مانند فشرده‌سازی اعلان و کشینگ پاسخ، هزینه‌ها را تا ۴۰٪ کاهش می‌دهند.
نظارت استقرار در سطح سازمانی
برای استقرارهای در مقیاس بزرگ، ادغام OpenTelemetry ردیابی توزیع‌شده را در زیرساخت‌های هیبریدی، نظارت بر استقرار بومی Kubernetes و حذف داده برای الزامات انطباق فراهم می‌کند. سازمان‌های خدمات مالی از این قابلیت‌ها برای حفظ مسیرهای حسابرسی برای الزامات نظارتی استفاده می‌کنند، در حالی که عملکرد برنامه‌های هوش مصنوعی را در محیط‌های توزیع‌شده بهینه می‌کنند. مجموعه‌های ارزیابی LangSmith ارزیابی کیفیت مداوم را از طریق خطوط لوله تست خودکار امکان‌پذیر می‌کند که خروجی‌های مدل را در برابر معیارهای خاص کسب‌وکار اعتبارسنجی می‌کنند و قابلیت اعتماد تولید و ردیابی تخریب عملکرد را در طول زمان تضمین می‌کنند.
۴. سیستم‌های عاملی بهبودیافته با RAG چگونه برنامه‌های سازمانی را متحول می‌کنند؟
عامل‌های بهبودیافته با RAG از تکنیک‌های تکمیلی به پارادایم‌های معماری اصلی در برنامه‌های LangChain تبدیل شده‌اند. پیاده‌سازی‌های مدرن فراتر از بازیابی ساده به سیستم‌های استدلال آگاه از زمینه حرکت کرده‌اند که زمینه بازیابی‌شده را از طریق بازیابی مبتنی بر فرضیه، سنتز شواهد و مکانیزم‌های خود-تصحیح اصلاح می‌کنند.
پیاده‌سازی استدلال چندمرحله‌ای
LangChain از بازیابی چندمرحله‌ای پشتیبانی می‌کند، جایی که عامل‌ها زمینه بازیابی‌شده را اصلاح می‌کنند تا دقت را بهبود بخشند. این شامل ترکیب چندین منبع داده و فیلتر کردن نتایج بر اساس اهمیت است.
معماری ادغام ابزار هیبریدی
سیستم‌های RAG سازمانی از اکوسیستم بارگذار اسناد LangChain استفاده می‌کنند که اکنون بیش از ۲۳۰ منبع داده شامل Slack، Notion و سیستم‌های SAP را پشتیبانی می‌کند. سازمان‌ها از طریق معماری‌های بازیابی هیبریدی که جستجوی شباهت برداری را با بازیابی مبتنی بر کلمه کلیدی ترکیب می‌کنند، به استدلال آگاه از زمینه دست می‌یابند و دقت زمینه را بهینه می‌کنند در حالی که نرخ توهم را کاهش می‌دهند. شرکت‌های حقوقی سیستم‌های RAG را با استفاده از ParentDocumentRetriever برای حفظ زمینه سلسله‌مراتب اسناد مستقر می‌کنند و ردیابی دقیق ارجاعات در اسناد نظارتی پیچیده را امکان‌پذیر می‌کنند.
۵. تکنیک‌های کلیدی برای ارکستراسیون چندعاملی در LangChain چیست؟
سیستم‌های چندعاملی یکی از پیچیده‌ترین برنامه‌های LangChain را نشان می‌دهند که جریان‌های کاری پیچیده را از طریق تعاملات عاملی هماهنگ امکان‌پذیر می‌کنند. معرفی LangGraph معماری عاملی را با امکان انتقال‌های حالت صریح از طریق جریان‌های کاری مبتنی بر گراف متحول کرد و از عملیات چرخه‌ای و مکانیزم‌های اجماع در وظایف توزیع‌شده پشتیبانی می‌کند.
معماری LangGraph برای جریان‌های کاری حالت‌دار
LangGraph جریان‌های کاری حالت‌دار را با گره‌های گرافی تعریف‌شده و انتقال‌های حالت مشخص امکان‌پذیر می‌کند. این برای وظایف پیچیده‌ای که نیاز به هماهنگی بین چندین عامل دارند، مانند تحلیل داده و اعتبارسنجی انطباق، ایده‌آل است.
سیستم‌های عاملی سلسله‌مراتبی
گره‌های به تأخیر افتاده LangGraph اجرای جریان کاری ناهمگام را امکان‌پذیر می‌کنند و به سیستم‌های چندعاملی اجازه می‌دهند تا فرآیندهای طولانی‌مدت را بدون مسدود کردن عملیات مدیریت کنند. پیاده‌سازی‌های سازمانی از مکانیزم‌های نقطه بازرسی برای حفظ پایداری حالت در همکاری‌های عاملی توزیع‌شده استفاده می‌کنند و تداوم جریان کاری را در طول خرابی‌های سیستم تضمین می‌کنند. سازمان‌های خدمات مالی سیستم‌های چندعاملی را برای تشخیص تقلب مستقر می‌کنند و عامل‌های تحلیل تراکنش را با عامل‌های ارزیابی ریسک و عامل‌های اعتبارسنجی انطباق از طریق ارکستراسیون حالت‌دار LangGraph ترکیب می‌کنند.
۶. معماری‌های ادغام داده زمان واقعی برای برنامه‌های LangChain چیست؟
ادغام داده زمان واقعی پیشرفت مهمی در برنامه‌های LangChain است که پردازش فوری داده‌های جریانی را از طریق معماری‌های رویدادمحور امکان‌پذیر می‌کند. پیاده‌سازی‌های مدرن جریان Apache Kafka را با جریان‌های کاری عاملی LangChain ترکیب می‌کنند تا سیستم‌های پاسخگویی ایجاد کنند که داده‌ها را هنگام ورود پردازش می‌کنند و اقدامات هوشمند را بر اساس بینش‌های زمان واقعی فعال می‌کنند.
پیاده‌سازی خط لوله رویدادمحور
LangChain با پلتفرم‌های جریانی مانند Kafka ادغام می‌شود تا داده‌ها را در زمان واقعی دریافت و پردازش کند. این برای برنامه‌هایی مانند نظارت بر IoT یا تحلیل‌های رسانه‌های اجتماعی که نیاز به پاسخ‌های فوری دارند، ایده‌آل است.
معماری ادغام میکروسرویس‌ها
LangChain با معماری‌های میکروسرویس ادغام می‌شود و به عامل‌ها اجازه می‌دهد تا با خدمات مختلف برای پردازش داده‌های جریانی تعامل کنند. این شامل ادغام با APIها و پایگاه‌های داده برای بازیابی و به‌روزرسانی زمینه است.
سیستم‌های تصمیم‌گیری پویا
معماری‌های ادغام زمان واقعی تصمیم‌گیری پویا را از طریق پردازش مداوم داده امکان‌پذیر می‌کنند. عامل‌های LangChain داده‌های جریانی را از حسگرهای IoT، به‌روزرسانی‌های CRM و لاگ‌های تراکنش نظارت می‌کنند و پاسخ‌های فوری را بر اساس تشخیص الگو و ناهنجاری فعال می‌کنند. سازمان‌های خرده‌فروشی سیستم‌های هم‌ترازی موجودی-مشتری زمان واقعی را پیاده‌سازی می‌کنند که رویدادهای خرید را از طریق موضوعات Kafka پردازش می‌کنند، توصیه‌های شخصی‌سازی‌شده را از طریق عامل‌های LangChain تولید می‌کنند و رابط‌های مشتری را در عرض میلی‌ثانیه به‌روزرسانی می‌کنند. این سیستم‌ها تأخیر سرتاسری زیر ۱.۵ ثانیه را به دست می‌آورند، در حالی که سازگاری تراکنشی را از طریق سیستم حافظه نقطه بازرسی LangGraph حفظ می‌کنند.
۷. برنامه‌های پردازش داده زمان واقعی با LangChain چگونه ساخته می‌شوند؟
برنامه‌های پردازش داده زمان واقعی دریافت داده جریانی را با تحلیل و تصمیم‌گیری مبتنی بر هوش مصنوعی ترکیب می‌کنند و پاسخ‌های فوری به تغییرات داده را در حالی که قابلیت‌های استدلال پیچیده را حفظ می‌کنند، امکان‌پذیر می‌کنند.
ادغام داده جریانی
LangChain از کانکتورهای جریانی برای دریافت داده از منابع مانند Kafka یا RabbitMQ پشتیبانی می‌کند. این امکان پردازش داده‌ها را هنگام ورود فراهم می‌کند.
معماری رویدادمحور
پیاده‌سازی‌های جریانی پیشرفته از ارکستراسیون بومی Kubernetes Apache NiFi و حالت اجرای بدون حالت با بازگشت‌های تراکنشی استفاده می‌کنند. نوآوری‌های مقیاس‌بندی خودکار Google Cloud Dataflow داده‌های جریانی با حجم بالا را با تأخیر کم مدیریت می‌کند و برنامه‌های LangChain زمان واقعی را امکان‌پذیر می‌کند که جریان‌های IoT و رسانه‌های اجتماعی را پردازش می‌کنند. این معماری‌ها معناشناسی دقیقاً یک‌بار را از طریق Kafka Connect پشتیبانی می‌کنند و یکپارچگی داده را برای برنامه‌های حیاتی در بخش‌های مالی و مراقبت‌های بهداشتی تضمین می‌کنند.
۸. تکنیک‌های اجرای کیفیت داده مبتنی بر هوش مصنوعی در LangChain چیست؟
اجرای کیفیت داده مبتنی بر هوش مصنوعی نشان‌دهنده تغییر پارادایم در نحوه مدیریت حاکمیت داده توسط برنامه‌های LangChain است. ادغام مبتنی بر یادگیری ماشین خطاهای نگاشت داده را کاهش می‌دهد، در حالی که توسعه خط لوله را از طریق نگاشت خودکار طرح‌واره، قراردادهای داده خود-تصحیح و تشخیص ناهنجاری فعال با استفاده از قوانین کیفیت تولیدشده توسط LLM تسریع می‌کند.
نگاشت و تطبیق خودکار طرح‌واره
قابلیت‌های پردازش زبان طبیعی LangChain متادیتای بدون ساختار را تفسیر می‌کند و از ترنسفورمرها برای تطبیق تغییرات طرح‌واره در منابع داده استفاده می‌کند.
قراردادهای داده خود-تصحیح
عامل‌های LangChain قراردادهای داده را به‌طور پویا اصلاح می‌کنند تا با طرح‌واره‌های در حال تحول سازگار شوند و خطاها را در طول دریافت داده کاهش دهند.
تشخیص و رفع ناهنجاری فعال
اجرای کیفیت داده مبتنی بر هوش مصنوعی، اعتبارسنجی مبتنی بر قانون سنتی را به سیستم‌های حاکمیت هوشمند و تطبیقی تبدیل می‌کند. عامل‌های LangChain انطباق نظارتی را در طول دریافت اعتبارسنجی می‌کنند، در حالی که سیستم‌های کنترل دسترسی پویا حساسیت داده را برای اعمال پروتکل‌های دسترسی مبتنی بر نقش طبقه‌بندی می‌کنند. این پیاده‌سازی‌ها حوادث کیفیت داده را کاهش می‌دهند و امتیازات قابلیت اعتماد را از طریق نظارت کیفیت پیش‌بینی‌کننده و جریان‌های کاری رفع خودکار بهبود می‌بخشند.
الگوهای ادغام سازمانی برای استقرار LangChain چیست؟
استقرار سازمانی برنامه‌های LangChain نیازمند الگوهای ادغام پیچیده‌ای است که مقیاس‌پذیری، امنیت و انطباق را در محیط‌های سازمانی پیچیده تضمین می‌کنند.
معماری استقرار بومی Kubernetes
LangChain با خوشه‌های Kubernetes ادغام می‌شود و مقیاس‌بندی خودکار و مدیریت کانتینری را برای برنامه‌های هوش مصنوعی با توان بالا فراهم می‌کند.
چارچوب امنیت و انطباق
ادغام‌های Azure Data Factory احراز هویت هویت مدیریت‌شده را برای کنترل دسترسی دانه‌ای فراهم می‌کنند، در حالی که معماری‌های چندگانه داده حساس را در محل نگه می‌دارند و متادیتا را با LLMهای ابری همگام‌سازی می‌کنند و الزامات حاکمیت داده را در حوزه‌های قضایی نظارتی برطرف می‌کنند.
ادغام نظارت و مشاهده‌پذیری
اتوماسیون Terraform استقرار زیرساخت را ساده می‌کند، در حالی که مشارکت‌های Snowflake کلونینگ بدون کپی را برای محیط‌های توسعه امکان‌پذیر می‌کند و هزینه‌های ذخیره‌سازی را کاهش می‌دهد، در حالی که قابلیت‌های تست با کیفیت تولید را حفظ می‌کند.
سؤالات متداول
LangChain برای چه استفاده می‌شود؟
LangChain یک چارچوب مدولار برای ساخت برنامه‌های پیشرفته هوش مصنوعی مانند خلاصه‌سازی اسناد، خطوط لوله RAG، چت‌بات‌ها، سیستم‌های چندعاملی و ادغام داده زمان واقعی است. این مدیریت زمینه، ارکستراسیون و مشاهده‌پذیری را برای سیستم‌های هوش مصنوعی در مقیاس تولید ساده می‌کند.
چرا LangChain از چت‌بات‌های پایه بهتر است؟
برخلاف چارچوب‌های چت‌بات پایه، LangChain از جریان‌های کاری پیچیده مانند استدلال چندمرحله‌ای، ادغام ابزارها، بازیابی پایگاه داده برداری (RAG) و همکاری چندعاملی پشتیبانی می‌کند. این امکان برنامه‌های تجاری واقعی را فراتر از چت‌بات‌های ساده پرس‌وجو و پاسخ فراهم می‌کند.
چگونه LangChain توسعه هوش مصنوعی را تسریع می‌کند؟
سازمان‌هایی که از LangChain استفاده می‌کنند، چرخه‌های استقرار ۳ تا ۵ برابر سریع‌تر و کاهش ۶۰ تا ۸۰ درصدی کار مهندسی داده دستی را گزارش می‌دهند. زنجیره‌های قابل‌استفاده مجدد، قابلیت‌های جریان‌سازی و ادغام با ابزارهایی مانند Airbyte و LangSmith نیاز به بازسازی توابع هوش مصنوعی رایج از ابتدا را حذف می‌کنند.
ویژگی‌های کلیدی سازمانی LangChain چیست؟
LangChain پاسخ‌های جریانی، مدیریت حافظه پیشرفته، مشاهده‌پذیری از طریق LangSmith، ادغام‌های پایگاه ذخیره‌سازی برداری و معماری‌های عاملی هیبریدی را ارائه می‌دهد. این ویژگی‌ها به سازمان‌ها کمک می‌کنند تا برنامه‌های هوش مصنوعی مقیاس‌پذیر، امن و قابل نگهداری را با نظارت کامل و ردیابی هزینه بسازند.
چگونه LangChain از داده‌های زمان واقعی و سیستم‌های چندعاملی پشتیبانی می‌کند؟
LangChain با معماری‌های رویدادمحور (مانند جریان‌های Kafka) و پایگاه‌های داده برداری برای پردازش زمان واقعی ادغام می‌شود. ابزارهایی مانند LangGraph جریان‌های کاری حالت‌دار و ارکستراسیون چندعاملی را امکان‌پذیر می‌کنند و به شرکت‌ها اجازه می‌دهند سیستم‌های هوش مصنوعی پویا و همکاری‌کننده‌ای را بسازند که وظایف پیچیده را در خدمات توزیع‌شده مدیریت می‌کنند.
