Το LangChain είναι το πλαίσιο που περιέχει πολλαπλές εξαρτήσεις και βιβλιοθήκες που μπορούν να χρησιμοποιηθούν για τη δημιουργία μοντέλων μεγάλων γλωσσών. Αυτά τα μοντέλα μπορούν να χρησιμοποιηθούν για την αλληλεπίδραση με τους ανθρώπους, αλλά πρώτα, το μοντέλο πρέπει να μάθει πώς να παίρνει/κατανοεί την προτροπή/ερώτηση που τίθεται από τον άνθρωπο. Για αυτό, το μοντέλο πρέπει να εκπαιδευτεί στα πρότυπα προτροπής και στη συνέχεια ο χρήστης κάνει την ερώτηση μέσα στο δεδομένο πρότυπο.
Αυτός ο οδηγός θα απεικονίσει τη διαδικασία δημιουργίας προτύπων προτροπής στο LangChain.
Πώς να δημιουργήσετε πρότυπα προτροπής στο LangChain;
Για να δημιουργήσετε πρότυπα προτροπών στο LangChain, απλώς ακολουθήστε τον παρακάτω οδηγό με πολλά βήματα:
Βήμα 1: Εγκαταστήστε τις μονάδες και το περιβάλλον ρύθμισης
Ξεκινήστε τη διαδικασία δημιουργίας προτύπων προτροπής στο LangChain εγκαθιστώντας το πλαίσιο LangChain:
pip install langchain
Τώρα, εγκαταστήστε λειτουργικές μονάδες OpenAI για πρόσβαση στις βιβλιοθήκες του και ορίστε ένα περιβάλλον χρησιμοποιώντας το:
pip εγκατάσταση openai 
Ρύθμιση του OpenAI περιβάλλον χρησιμοποιώντας τη βιβλιοθήκη του λειτουργικού συστήματος για πρόσβαση στο λειτουργικό σύστημα και παροχή του κλειδιού OpenAI API:
εισάγετε μαςεισαγωγή getpass
os.environ['OPENAI_API_KEY'] = getpass.getpass('OpenAI API Key:')
Βήμα 2: Χρήση προτύπου προτροπής
Μετά την εγκατάσταση του LangChain, απλώς εισαγάγετε τη βιβλιοθήκη PromptTemplate και δημιουργήστε ένα πρότυπο για το ερώτημα σχετικά με ένα αστείο με ορισμένες επιπλέον πτυχές ως μεταβλητές όπως επίθετο, περιεχόμενο κ.λπ.:
από το PromptTemplate εισαγωγής langchainprompt_template = PromptTemplate.from_template(
'Πες μου ένα {style} αστείο για το {theme}'
)
prompt_template.format(style='αστείο', theme='κοτόπουλα')
Η προτροπή έχει οριστεί και δοθεί στο μοντέλο με τις τιμές της μεταβλητής που έχουν εισαχθεί στην εντολή:
Ο χρήστης μπορεί να προσαρμόσει το πρότυπο προτροπής με ένα απλό ερώτημα ζητώντας ένα αστείο:
από το PromptTemplate εισαγωγής langchainprompt_template = PromptTemplate.from_template(
'Πες μου ένα αστείο'
)
prompt_template.format()
Η παραπάνω μέθοδος είναι για ένα μόνο ερώτημα και απάντηση, αλλά μερικές φορές ο χρήστης θέλει να αλληλεπιδράσει με το μοντέλο με τη μορφή συνομιλίας και η επόμενη ενότητα εξηγεί τη μορφή του.
Βήμα 3: Χρήση προτύπου προτροπής συνομιλίας
Αυτή η ενότητα εξηγεί το πρότυπο για ένα μοντέλο συνομιλίας που βασίζεται σε ένα μοτίβο συνομιλίας όπως δύο άνθρωποι που αλληλεπιδρούν μεταξύ τους:
από το langchain.prompts εισαγωγή ChatPromptTemplatetemplate = ChatPromptTemplate.from_messages([
('σύστημα', 'Ρομπότ συνομιλίας AI για να βοηθήσει τον χρήστη. Σας λένε {name}.'),
('άνθρωπος', 'Γεια σου, τι κάνεις'),
('ai', 'How do you'),
('άνθρωπος', '{user_input}'),
])
μηνύματα = template.format_messages(
όνομα 'Γιάννης',
user_input='Πώς να σε αποκαλώ'
)
Αφού ρυθμίσετε τη δομή του προτύπου, απλώς γράψτε μερικές γραμμές στο κείμενο για να πείτε στο μοντέλο τι αναμένεται από αυτό και χρησιμοποιήστε τη συνάρτηση llm() για να δώσετε μια προτροπή:
από το langchain.prompts εισαγωγή ChatPromptTemplateαπό το langchain.prompts.chat εισαγωγή SystemMessage, HumanMessagePromptTemplate
template = ChatPromptTemplate.from_messages(
[
System Message(
περιεχόμενο=(
'Είστε εδώ για να βοηθήσετε και να βοηθήσετε τον χρήστη να ξαναγράψει το κείμενο χρήστη πιο αποτελεσματικά'
)
),
HumanMessagePromptTemplate.from_template('{text}'),
]
)
από το langchain.chat_models εισαγωγή ChatOpenAI
llm = ChatOpenAI()
llm(template.format_messages(text='δεν μου αρέσει να τρώω νόστιμα πράγματα'))
Η μέθοδος SystemMessage() περιέχει το περιεχόμενο της απάντησης για το ερώτημα που χρησιμοποιείται στο LLM:
Αυτό αφορά τη δημιουργία προτύπων προτροπής στο LangChain.
συμπέρασμα
Για να δημιουργήσετε ένα πρότυπο προτροπής στο LangChain, απλώς εγκαταστήστε τις μονάδες LangChain και OpenAI για να ρυθμίσετε ένα περιβάλλον χρησιμοποιώντας το κλειδί OpenAI API. Μετά από αυτό, δημιουργήστε ένα πρότυπο προτροπής για ένα μόνο μήνυμα, όπως να ζητάτε ένα αστείο ή μια ερώτηση για οτιδήποτε. Μια άλλη μέθοδος είναι η προσαρμογή ενός προτύπου για ένα μοντέλο συνομιλίας με βάση τη διαδικασία αλληλεπίδρασης μεταξύ δύο διαφορετικών ανθρώπων. Αυτή η ανάρτηση επεξηγεί τη διαδικασία δημιουργίας ενός προτύπου προτροπής στο LangChain.