Πώς να χρησιμοποιήσετε τον αναλυτή δομημένης εξόδου στο LangChain;

Το LangChain είναι το πλαίσιο για τη δημιουργία μοντέλων συνομιλίας και LLM για τη λήψη πληροφοριών από το σύνολο δεδομένων ή το διαδίκτυο χρησιμοποιώντας το περιβάλλον OpenAI. Ο αναλυτής δομημένης εξόδου χρησιμοποιείται για τη λήψη πολλαπλών πεδίων ή απαντήσεων όπως η πραγματική απάντηση και ορισμένες επιπλέον σχετικές πληροφορίες. Οι βιβλιοθήκες ανάλυσης εξόδου μπορούν να χρησιμοποιηθούν με το LangChain για εξαγωγή δεδομένων χρησιμοποιώντας τα μοντέλα που έχουν δημιουργηθεί ως LLM ή μοντέλα συνομιλίας.

Αυτή η ανάρτηση παρουσίασε τη διαδικασία χρήσης του αναλυτή δομημένης εξόδου στο LangChain.

Πώς να χρησιμοποιήσετε τον αναλυτή δομημένης εξόδου στο LangChain;

Για να χρησιμοποιήσετε τον αναλυτή δομημένης εξόδου στο LangChain, απλώς ακολουθήστε αυτά τα βήματα:

Βήμα 1: Εγκατάσταση Προϋποθέσεων

Ξεκινήστε τη διαδικασία εγκαθιστώντας το πλαίσιο LangChain εάν δεν είναι ήδη εγκατεστημένο στο περιβάλλον Python σας:

Εγκαταστήστε το πλαίσιο OpenAI για πρόσβαση στις μεθόδους του για τη δημιουργία ενός αναλυτή στο LangChain:

Μετά από αυτό, απλώς συνδεθείτε στο περιβάλλον OpenAI χρησιμοποιώντας το κλειδί API του για να αποκτήσετε πρόσβαση στο περιβάλλον του χρησιμοποιώντας το ' εσείς ' βιβλιοθήκη και παρέχετε το κλειδί API χρησιμοποιώντας το ' getpass ' βιβλιοθήκη:

Βήμα 2: Δημιουργία σχήματος για την έξοδο/απόκριση

Αφού αποκτήσετε τη σύνδεση στο OpenAI, απλώς εισαγάγετε τις βιβλιοθήκες για να δημιουργήσετε το σχήμα για τη δημιουργία της εξόδου:

Καθορίστε το σχήμα για την απόκριση σύμφωνα με την απαίτηση, ώστε το μοντέλο να δημιουργήσει την απόκριση ανάλογα:

Βήμα 3: Μορφοποίηση προτύπου

Αφού διαμορφώσετε το σχήμα για την έξοδο, απλώς ορίστε το πρότυπο για την είσοδο στη φυσική γλώσσα, έτσι ώστε το μοντέλο να μπορεί να κατανοήσει τις ερωτήσεις πριν λάβει την απάντηση για αυτό:

Μέθοδος 1: Χρήση του μοντέλου γλώσσας

Αφού διαμορφώσετε τα πρότυπα μορφής για ερωτήσεις και απαντήσεις, απλώς δημιουργήστε το μοντέλο χρησιμοποιώντας τη συνάρτηση OpenAI():

Ορίστε την προτροπή στο ' ερώτηση ” μεταβλητή και περάστε την στο format_prompt() λειτουργήσει ως είσοδος και στη συνέχεια αποθηκεύστε την απάντηση στο ' παραγωγή ' μεταβλητή:

Καλέστε το αναλύω λέξη() συνάρτηση με όρισμα τη μεταβλητή εξόδου για να πάρει την απάντηση από το μοντέλο:

Ο αναλυτής εξόδου λαμβάνει την απάντηση για το ερώτημα και εμφανίζει μια λεπτομερή απάντηση με τον σύνδεσμο προς τη σελίδα του ιστότοπου που χρησιμοποιείται για τη λήψη της απάντησης:

Μέθοδος 2: Χρήση του μοντέλου συνομιλίας

Για να λάβετε αποτελέσματα από τον αναλυτή εξόδου στο LangChain, χρησιμοποιήστε το chat_model μεταβλητή παρακάτω:

Για να κατανοήσετε το μήνυμα προτροπής, διαμορφώστε το πρότυπο προτροπής για το μοντέλο συνομιλίας. Στη συνέχεια, δημιουργήστε την απόκριση σύμφωνα με την είσοδο:

Μετά από αυτό, απλώς δώστε την είσοδο στο ' ερώτηση ' μεταβλητή και μετά περάστε την στο chat_model() λειτουργία για να λάβετε την έξοδο από το μοντέλο:

Για να λάβετε την απάντηση από το μοντέλο συνομιλίας, χρησιμοποιήστε το output_parser που αποθηκεύει το αποτέλεσμα από το ' παραγωγή ' μεταβλητή:

Το μοντέλο συνομιλίας εμφάνισε την απάντηση για το ερώτημα και το όνομα του ιστότοπου που χρησιμοποιείται για τη λήψη της απάντησης από το διαδίκτυο:

Αυτό αφορά τη χρήση ενός αναλυτή δομημένης εξόδου στο LangChain.

συμπέρασμα

Για να χρησιμοποιήσετε τον αναλυτή δομημένης εξόδου στο LangChain, απλώς εγκαταστήστε τις μονάδες LangChain και OpenAI για να ξεκινήσετε τη διαδικασία. Μετά από αυτό, συνδεθείτε στο περιβάλλον OpenAI χρησιμοποιώντας το κλειδί API και, στη συνέχεια, διαμορφώστε τα πρότυπα προτροπής και απόκρισης για το μοντέλο. Ο αναλυτής εξόδου μπορεί να χρησιμοποιηθεί είτε με μοντέλο γλώσσας είτε με μοντέλο συνομιλίας. Αυτός ο οδηγός εξηγεί τη χρήση του αναλυτή εξόδου και με τις δύο μεθόδους.