Αυτή η ανάρτηση θα απεικονίσει τη διαδικασία δημιουργίας εφαρμογών LangChain με χρήση προτύπου προτροπής και ανάλυσης εξόδου.
Πώς να δημιουργήσετε εφαρμογές LangChain χρησιμοποιώντας το πρότυπο προτροπής και τον αναλυτή εξόδου;
Για να δημιουργήσετε την εφαρμογή LangChain χρησιμοποιώντας το πρότυπο προτροπής και τον αναλυτή εξόδου, απλώς διαβάστε αυτόν τον εύκολο οδηγό:
Βήμα 1: Εγκαταστήστε το LangChain
Αρχικά, ξεκινήστε τη διαδικασία δημιουργίας εφαρμογών LangChain εγκαθιστώντας το πλαίσιο LangChain χρησιμοποιώντας το « κουκούτσι ' εντολή:
pip install langchain
Βήμα 2: Χρήση προτύπου προτροπής
Μετά την εγκατάσταση των μονάδων LangChain, εισαγάγετε το ' PromptTemplate ” βιβλιοθήκη για τη δημιουργία ενός προτύπου προτροπής παρέχοντας ένα ερώτημα για το μοντέλο να κατανοήσει την ερώτηση:
από το langchain.prompts εισαγωγή PromptTemplate
prompt = PromptTemplate.from_template('Τι είναι ένας καλός συνδυασμός χρωμάτων για {product};')
prompt.format(product='πολύχρωμες κάλτσες')
Η έξοδος συνδύασε αυτόματα την πρόταση με την τιμή του ' προϊόν ' μεταβλητή:
Μετά από αυτό, δημιουργήστε ένα άλλο πρότυπο προτροπής εισάγοντας τις βιβλιοθήκες HumanMessagePromptTemplate, ChatPromptTemplate και SystemMessagePromptTemplate από το LangChain:
από εισαγωγή langchain.prompts.chat (ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
#Ρυθμίστε το πρότυπο προτροπής για το μοντέλο LangChain
template = 'Είστε βοηθός που μεταφράζει το {input_language} σε {output_language}'
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = '{text}'
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
chat_prompt.format_messages(input_language='Γαλλικά', output_language='Αγγλικά', text='Μου αρέσει το AI')
Αφού εισαγάγετε όλες τις απαιτούμενες βιβλιοθήκες, απλώς δημιουργήστε το προσαρμοσμένο πρότυπο για τα ερωτήματα χρησιμοποιώντας τη μεταβλητή προτύπου:
Τα πρότυπα προτροπής χρησιμοποιούνται μόνο για τον ορισμό του προτύπου για το ερώτημα/ερώτηση και δεν απαντά με καμία απάντηση στην ερώτηση. Ωστόσο, η συνάρτηση OutputParser() μπορεί να εξαγάγει απαντήσεις όπως εξηγεί η ακόλουθη ενότητα με το παράδειγμα:
Βήμα 3: Χρησιμοποιώντας τον αναλυτή εξόδου
Τώρα, εισαγάγετε τη βιβλιοθήκη BaseOutputParser από το LangChain για να διαχωρίσετε τις τιμές κειμένου που διαχωρίζονται με κόμμα και να επιστρέψετε τη λίστα στην έξοδο:
από το langchain.schema εισαγωγή BaseOutputParserκλάση CommaSeparatedListOutputParser(BaseOutputParser):
def parse(self, text: str):
επιστροφή text.strip().split(', ')
CommaSeparatedListOutputParser().parse('Ευχαριστώ, Καλώς ορίσατε')
Αυτό αφορά τη δημιουργία της εφαρμογής LangChain χρησιμοποιώντας το πρότυπο προτροπής και τον αναλυτή εξόδου.
συμπέρασμα
Για να δημιουργήσετε μια εφαρμογή LangChain χρησιμοποιώντας το πρότυπο προτροπής και τον αναλυτή εξόδου, απλώς εγκαταστήστε το LangChain και εισαγάγετε βιβλιοθήκες από αυτό. Η βιβλιοθήκη PromptTemplate χρησιμοποιείται για τη δημιουργία της δομής για το ερώτημα, ώστε το μοντέλο να μπορεί να κατανοήσει την ερώτηση πριν από την εξαγωγή πληροφοριών χρησιμοποιώντας τη συνάρτηση Parser(). Η συνάρτηση OutputParser() χρησιμοποιείται για τη λήψη απαντήσεων με βάση τα ερωτήματα που έχουν προσαρμοστεί προηγουμένως. Αυτός ο οδηγός έχει εξηγήσει τη διαδικασία δημιουργίας εφαρμογών LangChain χρησιμοποιώντας το πρότυπο προτροπής και τον αναλυτή εξόδου.