இந்த வழிகாட்டியானது LangChain இல் நிறுவன நினைவகத்தைப் பயன்படுத்தும் செயல்முறையை விளக்குகிறது.
லாங்செயினில் எண்டிட்டி மெமரியை எவ்வாறு பயன்படுத்துவது?
வினவல்கள்/அறிவிப்புகளைப் பயன்படுத்தி மனிதனால் கேட்கப்படும் போது பிரித்தெடுக்க நினைவகத்தில் சேமிக்கப்பட்டுள்ள முக்கிய உண்மைகளை வைத்திருக்க இந்த நிறுவனம் பயன்படுத்தப்படுகிறது. LangChain இல் உள்ள நிறுவன நினைவகத்தைப் பயன்படுத்துவதற்கான செயல்முறையை அறிய, பின்வரும் வழிகாட்டியைப் பார்வையிடவும்:
படி 1: தொகுதிகளை நிறுவவும்
முதலில், அதன் சார்புகளைப் பெற, pip கட்டளையைப் பயன்படுத்தி LangChain தொகுதியை நிறுவவும்:
pip நிறுவல் langchain
அதன் பிறகு, LLMகள் மற்றும் அரட்டை மாதிரிகளை உருவாக்க அதன் நூலகங்களைப் பெற OpenAI தொகுதியை நிறுவவும்:
pip install openai
OpenAI சூழலை அமைக்கவும் OpenAI கணக்கிலிருந்து பிரித்தெடுக்கக்கூடிய API விசையைப் பயன்படுத்துதல்:
இறக்குமதி நீ
இறக்குமதி கெட்பாஸ்
நீ . தோராயமாக [ 'OPENAI_API_KEY' ] = கெட்பாஸ் . கெட்பாஸ் ( 'OpenAI API விசை:' )
படி 2: நிறுவன நினைவகத்தைப் பயன்படுத்துதல்
நிறுவன நினைவகத்தைப் பயன்படுத்த, OpenAI() முறையைப் பயன்படுத்தி LLM ஐ உருவாக்க தேவையான நூலகங்களை இறக்குமதி செய்யவும்:
இருந்து லாங்செயின். llms இறக்குமதி OpenAIஇருந்து லாங்செயின். நினைவு இறக்குமதி ConversationEntityMemory
llm = OpenAI ( வெப்ப நிலை = 0 )
அதன் பிறகு, வரையறுக்கவும் நினைவு உள்ளீடு மற்றும் வெளியீட்டு மாறிகளைப் பயன்படுத்தி மாதிரியைப் பயிற்றுவிக்க ConversationEntityMemory() முறையைப் பயன்படுத்தி மாறி:
நினைவு = ConversationEntityMemory ( llm = llm )_உள்ளீடு = { 'உள்ளீடு' : 'ஜோ ஆர் ரூட் ஒரு திட்டத்தை செய்து வருகிறார்' }
நினைவு. load_memory_variables ( _உள்ளீடு )
நினைவு. சேமிப்பு_சூழல் (
_உள்ளீடு ,
{ 'வெளியீடு' : 'அருமை! அது என்ன வகையான திட்டம்?' }
)
இப்போது, வினவல்/விரைவில் உள்ள நினைவகத்தை சோதிக்கவும் உள்ளீடு load_memory_variables() முறையை அழைப்பதன் மூலம் மாறி:
நினைவு. load_memory_variables ( { 'உள்ளீடு' : 'யார் ரூட்' } ) 
இப்போது, மேலும் சில தகவல்களைக் கொடுங்கள், இதன்மூலம் மாடல் நினைவகத்தில் மேலும் சில பொருட்களைச் சேர்க்கலாம்:
நினைவு = ConversationEntityMemory ( llm = llm , திரும்ப_செய்திகள் = உண்மை )_உள்ளீடு = { 'உள்ளீடு' : 'ஜோ ஆர் ரூட் ஒரு திட்டத்தை செய்து வருகிறார்' }
நினைவு. load_memory_variables ( _உள்ளீடு )
நினைவு. சேமிப்பு_சூழல் (
_உள்ளீடு ,
{ 'வெளியீடு' : 'அருமை! என்ன மாதிரியான திட்டம் இது' }
)
நினைவகத்தில் சேமிக்கப்பட்டுள்ள உறுப்புகளைப் பயன்படுத்தி வெளியீட்டைப் பெற பின்வரும் குறியீட்டை இயக்கவும். மூலம் இது சாத்தியம் உள்ளீடு அறிவுறுத்தலைக் கொண்டுள்ளது:
நினைவு. load_memory_variables ( { 'உள்ளீடு' : 'யார் ஜோ' } ) 
படி 3: ஒரு சங்கிலியில் நிறுவன நினைவகத்தைப் பயன்படுத்துதல்
ஒரு சங்கிலியை உருவாக்கிய பிறகு, நிறுவன நினைவகத்தைப் பயன்படுத்த, பின்வரும் குறியீடு தொகுதியைப் பயன்படுத்தி தேவையான நூலகங்களை இறக்குமதி செய்யவும்:
இருந்து லாங்செயின். சங்கிலிகள் இறக்குமதி உரையாடல் சங்கிலிஇருந்து லாங்செயின். நினைவு இறக்குமதி ConversationEntityMemory
இருந்து லாங்செயின். நினைவு . உடனடியாக இறக்குமதி ENTITY_MEMORY_CONVERSATION_TEMPLATE
இருந்து பைடான்டிக் இறக்குமதி அடிப்படை மாதிரி
இருந்து தட்டச்சு இறக்குமதி பட்டியல் , ஆணையிடுங்கள் , ஏதேனும்
llm போன்ற வாதங்களைப் பயன்படுத்தி ConversationChain() முறையைப் பயன்படுத்தி உரையாடல் மாதிரியை உருவாக்கவும்:
உரையாடல் = உரையாடல் சங்கிலி (llm = llm ,
வாய்மொழி = உண்மை ,
உடனடியாக = ENTITY_MEMORY_CONVERSATION_TEMPLATE ,
நினைவு = ConversationEntityMemory ( llm = llm )
)
ப்ராம்ட் அல்லது வினவலுடன் துவக்கப்பட்ட உள்ளீட்டுடன் உரையாடல்.predict() முறையை அழைக்கவும்:
உரையாடல். கணிக்க ( உள்ளீடு = 'ஜோ ஆர் ரூட் ஒரு திட்டத்தை செய்து வருகிறார்' ) 
இப்போது, அதைப் பற்றிய தகவலை விவரிக்கும் ஒவ்வொரு நிறுவனத்திற்கும் தனித்தனி வெளியீட்டைப் பெறவும்:
உரையாடல். நினைவு . நிறுவனம்_கடை . கடை 
உள்ளீட்டை வழங்க மாதிரியிலிருந்து வெளியீட்டைப் பயன்படுத்தவும், இதன்மூலம் இந்த நிறுவனங்களைப் பற்றிய கூடுதல் தகவல்களை மாடல் சேமிக்க முடியும்:
உரையாடல். கணிக்க ( உள்ளீடு = 'அவர்கள் லாங்செயினில் மிகவும் சிக்கலான நினைவக கட்டமைப்புகளைச் சேர்க்க முயற்சிக்கிறார்கள்' ) 
நினைவகத்தில் சேமிக்கப்படும் தகவலைக் கொடுத்த பிறகு, நிறுவனங்களைப் பற்றிய குறிப்பிட்ட தகவலைப் பிரித்தெடுக்க கேள்வியைக் கேளுங்கள்:
உரையாடல். கணிக்க ( உள்ளீடு = 'ஜோ மற்றும் ரூட் பற்றி உனக்கு என்ன தெரியும்' ) 
படி 4: நினைவக அங்காடியை சோதித்தல்
பின்வரும் குறியீட்டைப் பயன்படுத்தி, மெமரி ஸ்டோர்களில் சேமிக்கப்பட்டுள்ள தகவல்களைப் பெற, பயனர் நேரடியாக அவற்றை ஆய்வு செய்யலாம்:
இருந்து அச்சு இறக்குமதி அச்சுஅச்சு ( உரையாடல். நினைவு . நிறுவனம்_கடை . கடை )
மேலும் தகவல் துல்லியமான முடிவுகளைத் தருவதால் நினைவகத்தில் சேமிக்கப்பட வேண்டிய கூடுதல் தகவலை வழங்கவும்:
உரையாடல். கணிக்க ( உள்ளீடு = 'ரூட் HJRS என்ற வணிகத்தை நிறுவியுள்ளார்' ) 
நிறுவனங்களைப் பற்றிய கூடுதல் தகவலைச் சேர்த்த பிறகு நினைவக அங்காடியிலிருந்து தகவலைப் பிரித்தெடுக்கவும்:
இருந்து அச்சு இறக்குமதி அச்சுஅச்சு ( உரையாடல். நினைவு . நிறுவனம்_கடை . கடை )
நினைவகத்தில் HJRS, Joe, LangChain மற்றும் Root போன்ற பல நிறுவனங்களைப் பற்றிய தகவல்கள் உள்ளன:
இப்போது உள்ளீட்டு மாறியில் வரையறுக்கப்பட்ட வினவல் அல்லது ப்ராம்ட்டைப் பயன்படுத்தி ஒரு குறிப்பிட்ட நிறுவனத்தைப் பற்றிய தகவலைப் பிரித்தெடுக்கவும்:
உரையாடல். கணிக்க ( உள்ளீடு = 'ரூட் பற்றி உனக்கு என்ன தெரியும்' ) 
LangChain கட்டமைப்பைப் பயன்படுத்தி நிறுவன நினைவகத்தைப் பயன்படுத்துவது பற்றியது.
முடிவுரை
LangChain இல் உள்ள நிறுவன நினைவகத்தைப் பயன்படுத்த, OpenAI சூழலை அமைத்த பிறகு மாதிரிகளை உருவாக்க தேவையான நூலகங்களை இறக்குமதி செய்ய தேவையான தொகுதிகளை நிறுவவும். அதன் பிறகு, LLM மாதிரியை உருவாக்கி, நிறுவனங்களைப் பற்றிய தகவலை வழங்குவதன் மூலம் நினைவகத்தில் உள்ள நிறுவனங்களைச் சேமிக்கவும். பயனர் இந்த உட்பொருளைப் பயன்படுத்தி தகவலைப் பிரித்தெடுக்கலாம் மற்றும் நிறுவனங்களைப் பற்றிய தூண்டப்பட்ட தகவல்களுடன் சங்கிலிகளில் இந்த நினைவுகளை உருவாக்கலாம். இந்த இடுகை LangChain இல் உள்ள நிறுவன நினைவகத்தைப் பயன்படுத்தும் செயல்முறையை விரிவாகக் கூறியுள்ளது.