Γρήγορο περίγραμμα
Αυτή η ανάρτηση θα δείξει τα εξής:
- Πώς να αποκτήσετε πρόσβαση στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain
- Εγκατάσταση Frameworks
- Ρύθμιση περιβάλλοντος OpenAI
- Εισαγωγή Βιβλιοθηκών
- Building LLM and Agent
- Χρησιμοποιώντας τον Πράκτορα
- Μέθοδος 1: Προεπιλεγμένος τύπος επιστροφής για πρόσβαση στα ενδιάμεσα βήματα
- Μέθοδος 2: Χρήση 'dumps' για πρόσβαση στα ενδιάμεσα βήματα
- συμπέρασμα
Πώς να αποκτήσετε πρόσβαση στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain;
Για τη δημιουργία του πράκτορα στο LangChain, ο χρήστης πρέπει να διαμορφώσει τα εργαλεία του και τη δομή του προτύπου για να λάβει τον αριθμό των βημάτων που εμπλέκονται στο μοντέλο. Ο πράκτορας είναι υπεύθυνος για την αυτοματοποίηση των ενδιάμεσων βημάτων όπως σκέψεις, ενέργειες, παρατηρήσεις κ.λπ. Για να μάθετε πώς να έχετε πρόσβαση στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain, απλώς ακολουθήστε τα βήματα που αναφέρονται:
Βήμα 1: Εγκατάσταση Frameworks
Πρώτα απ 'όλα, απλώς εγκαταστήστε τις εξαρτήσεις του LangChain εκτελώντας τον ακόλουθο κώδικα στο Σημειωματάριο Python:
pip install langchain_experimental
Εγκαταστήστε τη λειτουργική μονάδα OpenAI για να λάβετε τις εξαρτήσεις της χρησιμοποιώντας το κουκούτσι εντολή και χρησιμοποιήστε τα για να δημιουργήσετε το μοντέλο γλώσσας:
pip εγκατάσταση openai
Βήμα 2: Ρύθμιση περιβάλλοντος OpenAI
Μόλις εγκατασταθούν οι μονάδες, ρυθμίστε το OpenAI περιβάλλον χρησιμοποιώντας το κλειδί API που δημιουργήθηκε από τον λογαριασμό του:
εισαγωγή εσείς
εισαγωγή getpass
εσείς. κατά προσέγγιση [ 'OPENAI_API_KEY' ] = getpass. getpass ( 'Κλειδί OpenAI API:' )
Βήμα 3: Εισαγωγή Βιβλιοθηκών
Τώρα που έχουμε εγκαταστήσει τις εξαρτήσεις, χρησιμοποιήστε τις για να εισαγάγετε βιβλιοθήκες από το LangChain:
από langchain. πράκτορες εισαγωγή load_toolsαπό langchain. πράκτορες εισαγωγή αρχικοποίηση_πράκτορα
από langchain. πράκτορες εισαγωγή Τύπος πράκτορα
από langchain. llms εισαγωγή OpenAI
Βήμα 4: Δημιουργία LLM και Agent
Μόλις εισαχθούν οι βιβλιοθήκες, είναι καιρός να τις χρησιμοποιήσετε για τη δημιουργία του μοντέλου γλώσσας και των εργαλείων για τον πράκτορα. Ορίστε τη μεταβλητή llm και αντιστοιχίστε την με τη μέθοδο OpenAI() που περιέχει τα ορίσματα θερμοκρασία και model_name. Ο ' εργαλεία Η μεταβλητή περιέχει τη μέθοδο load_tools() με τα εργαλεία SerpAPi και llm-math και το μοντέλο γλώσσας στο όρισμά της:
llm = OpenAI ( θερμοκρασία = 0 , όνομα μοντέλου = 'text-davinci-002' )εργαλεία = load_tools ( [ 'Σερπάπι' , 'llm-math' ] , llm = llm )
Αφού διαμορφωθούν το μοντέλο γλώσσας και τα εργαλεία, απλώς σχεδιάστε τον παράγοντα για να εκτελέσει τα ενδιάμεσα βήματα χρησιμοποιώντας τα εργαλεία στο μοντέλο γλώσσας:
μέσο = αρχικοποίηση_πράκτορα (εργαλεία ,
llm ,
μέσο = Τύπος πράκτορα. ZERO_SHOT_REACT_DESCRIPTION ,
πολύλογος = Αληθής ,
επιστροφή_ενδιάμεσων_βημάτων = Αληθής ,
)
Βήμα 5: Χρήση του Agent
Τώρα, βάλτε τον πράκτορα σε δοκιμή κάνοντας μια ερώτηση στην είσοδο της μεθόδου agent() και εκτελώντας την:
απάντηση = μέσο ({
'εισαγωγή' : «Ποια είναι η κοπέλα του Leo DiCaprio και ποια είναι η διαφορά ηλικίας τους»
}
)
Το μοντέλο έχει εργαστεί αποτελεσματικά για να πάρει το όνομα της κοπέλας του Leo DiCaprio, την ηλικία της, την ηλικία του Leo DiCaprio και τη διαφορά μεταξύ τους. Το ακόλουθο στιγμιότυπο οθόνης εμφανίζει πολλές ερωτήσεις και απαντήσεις που αναζητήθηκαν από τον πράκτορα για να φτάσετε στην τελική απάντηση:
Το παραπάνω στιγμιότυπο οθόνης δεν εμφανίζει τη λειτουργία του πράκτορα και τον τρόπο με τον οποίο φτάνει σε αυτό το στάδιο για να βρει όλες τις απαντήσεις. Ας προχωρήσουμε στην επόμενη ενότητα για να βρούμε τα βήματα:
Μέθοδος 1: Προεπιλεγμένος τύπος επιστροφής για πρόσβαση στα ενδιάμεσα βήματα
Η πρώτη μέθοδος πρόσβασης στο ενδιάμεσο βήμα είναι η χρήση του προεπιλεγμένου τύπου επιστροφής που προσφέρει το LangChain χρησιμοποιώντας τον ακόλουθο κώδικα:
Τυπώνω ( απάντηση [ 'intermediate_steps' ] )Το ακόλουθο GIF εμφανίζει τα ενδιάμεσα βήματα σε μία μόνο γραμμή, η οποία δεν είναι αρκετά καλή όσον αφορά την πτυχή της αναγνωσιμότητας:
Μέθοδος 2: Χρήση 'dumps' για πρόσβαση στα ενδιάμεσα βήματα
Η επόμενη μέθοδος εξηγεί έναν άλλο τρόπο για να λάβετε τα ενδιάμεσα βήματα χρησιμοποιώντας τη βιβλιοθήκη dump από το πλαίσιο LangChain. Χρησιμοποιήστε τη μέθοδο dumps() με το όρισμα αρκετά για να κάνετε την έξοδο πιο δομημένη και ευανάγνωστη:
από langchain. φορτώνω . εγκαταλείπω εισαγωγή κατήφειαΤυπώνω ( κατήφεια ( απάντηση [ 'intermediate_steps' ] , αρκετά = Αληθής ) )
Τώρα, έχουμε την έξοδο σε μια πιο δομημένη μορφή που είναι εύκολα αναγνώσιμη από τον χρήστη. Χωρίζεται επίσης σε πολλές ενότητες για να έχει περισσότερο νόημα και κάθε ενότητα περιέχει τα βήματα για να βρείτε απαντήσεις στις ερωτήσεις:
Όλα αυτά αφορούν την πρόσβαση στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain.
συμπέρασμα
Για να αποκτήσετε πρόσβαση στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain, εγκαταστήστε τις λειτουργικές μονάδες για εισαγωγή βιβλιοθηκών για τη δημιουργία μοντέλων γλώσσας. Μετά από αυτό, ρυθμίστε εργαλεία για την προετοιμασία του πράκτορα χρησιμοποιώντας τα εργαλεία, το llm και τον τύπο του πράκτορα που μπορεί να απαντήσει στις ερωτήσεις. Μόλις διαμορφωθεί ο πράκτορας, δοκιμάστε τον για να λάβετε τις απαντήσεις και, στη συνέχεια, χρησιμοποιήστε τον προεπιλεγμένο τύπο ή τη βιβλιοθήκη αποτύπωσης για πρόσβαση στα ενδιάμεσα βήματα. Αυτός ο οδηγός έχει επεξεργαστεί τη διαδικασία πρόσβασης στα ενδιάμεσα βήματα ενός πράκτορα στο LangChain.