Πώς να εκτελέσετε LLMChains στο LangChain;

Το LangChain είναι το πλαίσιο που επιτρέπει στους προγραμματιστές να δημιουργήσουν μοντέλα μεγάλων γλωσσών ή μοντέλα συνομιλίας που μπορούν να χρησιμοποιηθούν από ανθρώπους για την εξαγωγή πληροφοριών. Αυτά τα μοντέλα μπορούν να χρησιμοποιηθούν για αλληλεπίδραση σε φυσικές γλώσσες, αφού κατανοήσουν τις εντολές για τη δημιουργία κειμένων ανάλογα. Τα LLM ή τα chatbots χρησιμοποιούν αλυσίδες για να αλληλεπιδρούν με ανθρώπους, αποθηκεύοντας τα προηγούμενα μηνύματα ως παρατηρήσεις για να λάβουν το πλαίσιο της συνομιλίας.

Αυτός ο οδηγός θα απεικονίσει τη διαδικασία εκτέλεσης LLMChains στο LangChain.

Πώς να εκτελέσετε LLMChains στο LangChain;

Το LangChain παρέχει τις δυνατότητες ή τις εξαρτήσεις για τη δημιουργία αλυσίδων LLMC χρησιμοποιώντας τα LLM/Chatbots και τα πρότυπα προτροπής. Για να μάθετε τη διαδικασία δημιουργίας και λειτουργίας των LLMChains στο LangChain, απλώς ακολουθήστε τον παρακάτω σταδιακό οδηγό:

Βήμα 1: Εγκατάσταση πακέτων

Αρχικά, ξεκινήστε με τη διαδικασία εγκαθιστώντας τη λειτουργική μονάδα LangChain για να λάβετε τις εξαρτήσεις της για τη δημιουργία και τη λειτουργία LLMChains:

pip install langchain

Εγκαταστήστε το πλαίσιο OpenAI χρησιμοποιώντας την εντολή pip για να κάνετε τις βιβλιοθήκες να χρησιμοποιούν τη συνάρτηση OpenAI() για τη δημιουργία LLM:

pip εγκατάσταση openai

Μετά την εγκατάσταση των μονάδων, απλά δημιουργήσει το περιβάλλον μεταβλητές που χρησιμοποιούν το κλειδί API από το λογαριασμό OpenAI:

εισαγωγή εσείς

εισαγωγή getpass

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

Βήμα 2: Εισαγωγή βιβλιοθηκών

Μόλις ολοκληρωθεί η εγκατάσταση και εγκατασταθούν όλα τα απαιτούμενα πακέτα, εισαγάγετε τις απαιτούμενες βιβλιοθήκες για τη δημιουργία του προτύπου προτροπής. Μετά από αυτό, απλώς δημιουργήστε το LLM χρησιμοποιώντας τη μέθοδο OpenAI() και διαμορφώστε το LLMChain χρησιμοποιώντας τα LLM και το πρότυπο προτροπής:

από langchain εισαγωγή PromptTemplate

από langchain εισαγωγή OpenAI

από langchain εισαγωγή LLMCchain

prompt_template = 'Θα μου δώσεις έναν καλό τίτλο για την επιχείρηση που κάνει το {product};'

llm = OpenAI ( θερμοκρασία = 0 )

llm_chain = LLMCchain (

llm = llm ,

προτροπή = PromptTemplate. from_template ( prompt_template )

)

llm_chain ( 'πολύχρωμα ρούχα' )

Βήμα 3: Αλυσίδες τρεξίματος

Λάβετε τη λίστα εισόδου που περιέχει διάφορα προϊόντα που παράγονται από την επιχείρηση και εκτελέστε την αλυσίδα για να εμφανίσετε τη λίστα στην οθόνη:

input_list = [
{ 'προϊόν' : 'κάλτσες' } ,
{ 'προϊόν' : 'υπολογιστή' } ,
{ 'προϊόν' : 'παπούτσια' }
]

llm_chain. ισχύουν ( input_list )

Εκτελέστε τη μέθοδο generate() χρησιμοποιώντας το input_list με LLMChains για να λάβετε την έξοδο που σχετίζεται με τη συνομιλία που δημιουργείται από το μοντέλο:

llm_chain. παράγω ( input_list )

Βήμα 4: Χρήση απλής εισόδου

Προσθέστε ένα άλλο προϊόν για να εκτελέσετε τις LLMChains χρησιμοποιώντας μόνο μία είσοδο και, στη συνέχεια, προβλέψτε την LLMChain για να δημιουργήσετε την έξοδο:

llm_chain. προλέγω ( προϊόν = 'πολύχρωμες κάλτσες' )

Βήμα 5: Χρήση πολλαπλών εισόδων

Τώρα, δημιουργήστε το πρότυπο για τη χρήση πολλαπλών εισόδων για την παροχή της εντολής στο μοντέλο πριν εκτελέσετε την αλυσίδα:

πρότυπο = '''Πες μου ένα {adjective} αστείο για το {subject}.'''
προτροπή = PromptTemplate ( πρότυπο = πρότυπο , input_variables = [ 'επίθετο' , 'θέμα' ] )
llm_chain = LLMCchain ( προτροπή = προτροπή , llm = OpenAI ( θερμοκρασία = 0 ) )

llm_chain. προλέγω ( επίθετο = 'λυπημένος' , θέμα = 'πάπιες' )

Βήμα 6: Χρησιμοποιώντας τον αναλυτή εξόδου

Αυτό το βήμα χρησιμοποιεί τη μέθοδο ανάλυσης εξόδου για να εκτελέσει το LLMChain για να πάρει την έξοδο με βάση την προτροπή:

από langchain. output_parsers εισαγωγή CommaSeparatedListOutputParser

output_parser = CommaSeparatedListOutputParser ( )

πρότυπο = '''Κατάλογος όλων των χρωμάτων σε ένα ουράνιο τόξο'''

προτροπή = PromptTemplate ( πρότυπο = πρότυπο , input_variables = [ ] , output_parser = output_parser )

llm_chain = LLMCchain ( προτροπή = προτροπή , llm = llm )

llm_chain. προλέγω ( )

Η χρήση της μεθόδου parse() για τη λήψη της εξόδου θα δημιουργήσει μια λίστα διαχωρισμένη με κόμματα όλων των χρωμάτων στο ουράνιο τόξο:

llm_chain. predict_and_parse ( )

Βήμα 7: Αρχικοποίηση από συμβολοσειρές

Αυτό το βήμα εξηγεί τη διαδικασία χρήσης μιας συμβολοσειράς ως προτροπής για την εκτέλεση του LLMChain χρησιμοποιώντας το μοντέλο και το πρότυπο LLM:

πρότυπο = '''Πες μου ένα {adjective} αστείο για το {subject}'''

llm_chain = LLMCchain. from_string ( llm = llm , πρότυπο = πρότυπο )

Δώστε τις τιμές των μεταβλητών στη γραμμή εντολών για να λάβετε την έξοδο από το μοντέλο εκτελώντας το LLMChain:

llm_chain. προλέγω ( επίθετο = 'λυπημένος' , θέμα = 'πάπιες' )

Αυτό αφορά τη λειτουργία των LLMChains χρησιμοποιώντας το πλαίσιο LangChain.

συμπέρασμα

Για να δημιουργήσετε και να εκτελέσετε τα LLMChains στο LangChain, εγκαταστήστε τα προαπαιτούμενα όπως πακέτα και ρυθμίστε το περιβάλλον χρησιμοποιώντας το κλειδί API του OpenAI. Μετά από αυτό, εισαγάγετε τις απαιτούμενες βιβλιοθήκες για τη διαμόρφωση του προτύπου και του μοντέλου προτροπής για την εκτέλεση του LLMChain χρησιμοποιώντας τις εξαρτήσεις LangChain. Ο χρήστης μπορεί να χρησιμοποιήσει αναλυτές εξόδου και εντολές συμβολοσειρών για να εκτελέσει LLMChains όπως φαίνεται στον οδηγό. Αυτός ο οδηγός έχει επεξεργαστεί την πλήρη διαδικασία εκτέλεσης των LLMChains στο LangChain.

Πώς να εκτελέσετε LLMChains στο LangChain;