LangChain vs LlamaIndex مقارنة

# LangChain — خط معالجة RAG (بايثون)
from langchain_anthropic import ChatAnthropic
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# إنشاء مخزن المتجهات
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(documents, embeddings)

# سلسلة RAG
llm = ChatAnthropic(model="claude-opus-4-7")
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
    return_source_documents=True
)

result = qa_chain.invoke({"query": "ما هي سياسة الشركة؟"})
print(result["result"])
print("المصادر:", [doc.metadata for doc in result["source_documents"]])

# LlamaIndex — نظام أسئلة وأجوبة قائم على المستندات
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.llms.anthropic import Anthropic
from llama_index.core import Settings

# تهيئة نموذج اللغة
Settings.llm = Anthropic(model="claude-opus-4-7")

# تحميل المستندات وفهرستها
documents = SimpleDirectoryReader("./docs").load_data()
index = VectorStoreIndex.from_documents(documents)

# محرك الاستعلام
query_engine = index.as_query_engine(
    similarity_top_k=5,
    response_mode="tree_summarize"
)

response = query_engine.query(
    "ما هي حقوق المستخدم بموجب قانون حماية البيانات؟"
)
print(response)
print("العقد المصدر:", response.source_nodes)