Πώς να χρησιμοποιήσετε τη μνήμη οντοτήτων στο LangChain;

Το LangChain είναι μια ενότητα που επιτρέπει τη δημιουργία μοντέλων που μπορούν να επεξεργαστούν φυσικές γλώσσες, οι οποίες είναι οι γλώσσες που χρησιμοποιούν οι άνθρωποι για επικοινωνία. Το LangChain περιέχει όλες τις απαιτούμενες ενότητες και εξαρτήσεις που μπορούν να χρησιμοποιηθούν για τη δημιουργία μεγάλων μοντέλων γλώσσας ή chatbot. Αυτά τα μοντέλα πρέπει να εκπαιδευτούν για να μάθουν τη φυσική γλώσσα για τη δημιουργία κειμένων με βάση τα ερωτήματα που παρέχονται από τον χρήστη.

Αυτός ο οδηγός θα απεικονίσει τη διαδικασία χρήσης της μνήμης οντοτήτων στο LangChain.

Πώς να χρησιμοποιήσετε τη μνήμη οντοτήτων στο LangChain;

Η οντότητα χρησιμοποιείται για να διατηρήσει τα βασικά γεγονότα που είναι αποθηκευμένα στη μνήμη για εξαγωγή όταν ζητηθεί από τον άνθρωπο χρησιμοποιώντας τα ερωτήματα/προτροπές. Για να μάθετε τη διαδικασία χρήσης της μνήμης οντοτήτων στο LangChain, απλώς επισκεφτείτε τον ακόλουθο οδηγό:

Βήμα 1: Εγκατάσταση μονάδων

Αρχικά, εγκαταστήστε τη λειτουργική μονάδα LangChain χρησιμοποιώντας την εντολή pip για να λάβετε τις εξαρτήσεις της:

pip install langchain

Μετά από αυτό, εγκαταστήστε τη λειτουργική μονάδα OpenAI για να αποκτήσετε τις βιβλιοθήκες της για τη δημιουργία LLM και μοντέλων συνομιλίας:

pip εγκατάσταση openai

Ρυθμίστε το περιβάλλον OpenAI χρησιμοποιώντας το κλειδί API που μπορεί να εξαχθεί από τον λογαριασμό OpenAI:

εισαγωγή εσείς

εισαγωγή getpass

εσείς . κατά προσέγγιση [ 'OPENAI_API_KEY' ] = getpass . getpass ( 'Κλειδί OpenAI API:' )

Βήμα 2: Χρήση της μνήμης οντοτήτων

Για να χρησιμοποιήσετε τη μνήμη οντοτήτων, εισαγάγετε τις απαιτούμενες βιβλιοθήκες για τη δημιουργία του LLM χρησιμοποιώντας τη μέθοδο OpenAI():

από langchain. llms εισαγωγή OpenAI

από langchain. μνήμη εισαγωγή ConversationEntityMemory

llm = OpenAI ( θερμοκρασία = 0 )

Μετά από αυτό, ορίστε το μνήμη μεταβλητή χρησιμοποιώντας τη μέθοδο ConversationEntityMemory() για την εκπαίδευση του μοντέλου χρησιμοποιώντας τις μεταβλητές εισόδου και εξόδου:

μνήμη = ConversationEntityMemory ( llm = llm )

_εισαγωγή = { 'εισαγωγή' : 'Ο Joe are Root έκανε ένα έργο' }

μνήμη. load_memory_variables ( _εισαγωγή )

μνήμη. save_context (

_εισαγωγή ,

{ 'παραγωγή' : 'Τέλειο! Τι είδους έργο είναι αυτό;' }

)

Τώρα, δοκιμάστε τη μνήμη χρησιμοποιώντας το ερώτημα/προτροπή στο εισαγωγή μεταβλητή καλώντας τη μέθοδο load_memory_variables():

μνήμη. load_memory_variables ( { 'εισαγωγή' : 'ποιος είναι ο Root' } )

Τώρα, δώστε περισσότερες πληροφορίες, ώστε το μοντέλο να μπορεί να προσθέσει μερικές ακόμη οντότητες στη μνήμη:

μνήμη = ConversationEntityMemory ( llm = llm , επιστροφή_μηνυμάτων = Αληθής )

_εισαγωγή = { 'εισαγωγή' : 'Ο Joe are Root έκανε ένα έργο' }

μνήμη. load_memory_variables ( _εισαγωγή )

μνήμη. save_context (

_εισαγωγή ,

{ 'παραγωγή' : 'Υπέροχο! Τι είδους έργο είναι αυτό' }

)

Εκτελέστε τον ακόλουθο κώδικα για να λάβετε την έξοδο χρησιμοποιώντας τις οντότητες που είναι αποθηκευμένες στη μνήμη. Είναι δυνατό μέσω του εισαγωγή που περιέχει την προτροπή:

μνήμη. load_memory_variables ( { 'εισαγωγή' : 'ποιος είναι ο Τζο' } )

Βήμα 3: Χρήση της μνήμης οντοτήτων σε μια αλυσίδα

Για να χρησιμοποιήσετε τη μνήμη οντοτήτων μετά τη δημιουργία μιας αλυσίδας, απλώς εισαγάγετε τις απαιτούμενες βιβλιοθήκες χρησιμοποιώντας το ακόλουθο μπλοκ κώδικα:

από langchain. αλυσίδες εισαγωγή Αλυσίδα συνομιλίας

από langchain. μνήμη εισαγωγή ConversationEntityMemory

από langchain. μνήμη . προτροπή εισαγωγή ENTITY_MEMORY_CONVERSATION_TEMPLATE

από πυδατική εισαγωγή BaseModel

από πληκτρολόγηση εισαγωγή Λίστα , Dict , Οποιος

Δημιουργήστε το μοντέλο συνομιλίας χρησιμοποιώντας τη μέθοδο ConversationChain() χρησιμοποιώντας τα ορίσματα όπως llm:

συνομιλία = Αλυσίδα συνομιλίας (

llm = llm ,

πολύλογος = Αληθής ,

προτροπή = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,

μνήμη = ConversationEntityMemory ( llm = llm )

)

Καλέστε τη μέθοδο talk.predict() με την είσοδο αρχικοποιημένη με την προτροπή ή το ερώτημα:

συνομιλία. προλέγω ( εισαγωγή = 'Ο Joe are Root έκανε ένα έργο' )

Τώρα, λάβετε τη χωριστή έξοδο για κάθε οντότητα που περιγράφει τις πληροφορίες σχετικά με αυτήν:

συνομιλία. μνήμη . οντότητα_κατάστημα . κατάστημα

Χρησιμοποιήστε την έξοδο από το μοντέλο για να δώσετε την είσοδο, ώστε το μοντέλο να μπορεί να αποθηκεύσει περισσότερες πληροφορίες σχετικά με αυτές τις οντότητες:

συνομιλία. προλέγω ( εισαγωγή = 'Προσπαθούν να προσθέσουν πιο σύνθετες δομές μνήμης στο Langchain' )

Αφού δώσετε τις πληροφορίες που αποθηκεύονται στη μνήμη, απλώς κάντε την ερώτηση για να εξαγάγετε τις συγκεκριμένες πληροφορίες σχετικά με οντότητες:

συνομιλία. προλέγω ( εισαγωγή = 'Τι γνωρίζετε για τον Joe and Root' )

Βήμα 4: Δοκιμή του Memory Store

Ο χρήστης μπορεί να επιθεωρήσει απευθείας τις αποθήκες μνήμης για να λάβει τις πληροφορίες που είναι αποθηκευμένες σε αυτές χρησιμοποιώντας τον ακόλουθο κώδικα:

από Τυπώνω εισαγωγή Τυπώνω

Τυπώνω ( συνομιλία. μνήμη . οντότητα_κατάστημα . κατάστημα )

Δώστε περισσότερες πληροφορίες που θα αποθηκευτούν στη μνήμη, καθώς περισσότερες πληροφορίες δίνουν πιο ακριβή αποτελέσματα:

συνομιλία. προλέγω ( εισαγωγή = 'Η Root έχει ιδρύσει μια επιχείρηση που ονομάζεται HJRS' )

Εξάγετε πληροφορίες από το χώρο αποθήκευσης μνήμης αφού προσθέσετε περισσότερες πληροφορίες σχετικά με τις οντότητες:

από Τυπώνω εισαγωγή Τυπώνω

Τυπώνω ( συνομιλία. μνήμη . οντότητα_κατάστημα . κατάστημα )

Η μνήμη έχει πληροφορίες για πολλαπλές οντότητες όπως HJRS, Joe, LangChain και Root:

Τώρα εξάγετε πληροφορίες σχετικά με μια συγκεκριμένη οντότητα χρησιμοποιώντας το ερώτημα ή την προτροπή που ορίζεται στη μεταβλητή εισόδου:

συνομιλία. προλέγω ( εισαγωγή = 'Τι γνωρίζετε για το Root' )

Αυτό αφορά τη χρήση της μνήμης οντοτήτων χρησιμοποιώντας το πλαίσιο LangChain.

συμπέρασμα

Για να χρησιμοποιήσετε τη μνήμη οντοτήτων στο LangChain, απλώς εγκαταστήστε τις απαιτούμενες μονάδες για να εισάγετε βιβλιοθήκες που απαιτούνται για τη δημιουργία μοντέλων μετά τη ρύθμιση του περιβάλλοντος OpenAI. Μετά από αυτό, δημιουργήστε το μοντέλο LLM και αποθηκεύστε οντότητες στη μνήμη παρέχοντας πληροφορίες για τις οντότητες. Ο χρήστης μπορεί επίσης να εξάγει πληροφορίες χρησιμοποιώντας αυτές τις οντότητες και να δημιουργήσει αυτές τις μνήμες στις αλυσίδες με αναδευόμενες πληροφορίες για οντότητες. Αυτή η ανάρτηση έχει επεξεργαστεί τη διαδικασία χρήσης της μνήμης οντοτήτων στο LangChain.

Πώς να χρησιμοποιήσετε τη μνήμη οντοτήτων στο LangChain;