இந்த வழிகாட்டியானது, LangChain இல் அதிகபட்ச விளிம்பு சம்பந்தமான உதாரணத் தேர்வி மூலம் தேர்ந்தெடுக்கப்பட்டதைப் பயன்படுத்தும் செயல்முறையை விளக்குகிறது.
லாங்செயினில் அதிகபட்ச விளிம்புத் தொடர்பு (எம்எம்ஆர்) மூலம் தேர்ந்தெடுப்பதை எவ்வாறு பயன்படுத்துவது?
ப்ராம்ட் மற்றும் உதாரணத்தின் கொசைன் ஒற்றுமையைப் பயன்படுத்தி தகவலைப் பிரித்தெடுக்க அதிகபட்ச விளிம்பு பொருத்தம் எடுத்துக்காட்டுத் தேர்வி பயன்படுத்தப்படுகிறது. கொசைன் ஒற்றுமையானது தரவுகளுக்கு உட்பொதித்தல் முறைகளைப் பயன்படுத்திய பின்னர் மற்றும் உரையை எண் வடிவமாக மாற்றிய பின் கணக்கிடப்படுகிறது.
LangChain இல் MMR உதாரணத் தேர்வியைப் பயன்படுத்துவதற்கான செயல்முறையை அறிய, பட்டியலிடப்பட்ட படிகளைப் பின்பற்றவும்:
படி 1: தொகுதிகளை நிறுவவும்
பிப் கட்டளையைப் பயன்படுத்தி LangChain இன் சார்புகளை நிறுவுவதன் மூலம் செயல்முறையைத் தொடங்கவும்:
pip நிறுவல் langchain
OpenAIEmbedding() முறையைப் பயன்படுத்துவதற்கு அதன் சூழலைப் பயன்படுத்த OpenAI தொகுதியை நிறுவவும்:
pip install openai
சொற்பொருள் ஒற்றுமையைப் பயன்படுத்தி வெளியீட்டைப் பெறப் பயன்படும் FAISS கட்டமைப்பை நிறுவவும்:
pip நிறுவல் faiss-gpu
இப்போது, பின்வரும் குறியீட்டைப் பயன்படுத்தி உரையை சிறிய துண்டுகளாகப் பிரிக்க டிக்டோக்கன் டோக்கனைசரை நிறுவவும்:
pip டிக்டோக்கனை நிறுவவும்
படி 2: நூலகங்கள் மற்றும் எடுத்துக்காட்டுகளைப் பயன்படுத்துதல்
MMR உதாரணத் தேர்வி, FAISS, OpenAIEmbeddings மற்றும் PromptTemplate ஆகியவற்றை உருவாக்க நூலகங்களை இறக்குமதி செய்வது அடுத்த படியாகும். நூலகங்களை இறக்குமதி செய்த பிறகு, பல வரிசைகளில் அந்தந்த உள்ளீடுகளுக்கான உள்ளீடுகள் மற்றும் வெளியீட்டை வழங்கும் ஒரு எடுத்துக்காட்டு தொகுப்பை உருவாக்கவும்:
இருந்து லாங்செயின். தூண்டுகிறது . உதாரணம்_தேர்வாளர் இறக்குமதி (MaxMarginal RelevanceExampleSelector ,
சொற்பொருள் ஒற்றுமை உதாரணம் தேர்ந்தெடுப்பான் ,
)
இருந்து லாங்செயின். திசையன் கடைகள் இறக்குமதி FAISS
இருந்து லாங்செயின். உட்பொதிப்புகள் இறக்குமதி OpenAIEmbeddings
இருந்து லாங்செயின். தூண்டுகிறது இறக்குமதி சில ஷாட் ப்ராம்ப்ட் டெம்ப்ளேட் , PromptTemplate
உதாரணம்_விரைவு = PromptTemplate (
உள்ளீடு_மாறிகள் = [ 'உள்ளீடு' , 'வெளியீடு' ] ,
டெம்ப்ளேட் = 'உள்ளீடு: {input} \n வெளியீடு: {output}' ,
)
உதாரணங்கள் = [
{ 'உள்ளீடு' : 'சந்தோஷமாக' , 'வெளியீடு' : 'சோகம்' } ,
{ 'உள்ளீடு' : 'உயரமான' , 'வெளியீடு' : 'குறுகிய' } ,
{ 'உள்ளீடு' : 'ஆற்றல்' , 'வெளியீடு' : 'சோம்பல்' } ,
{ 'உள்ளீடு' : 'சூரியன் தீண்டும்' , 'வெளியீடு' : 'இருண்ட' } ,
{ 'உள்ளீடு' : 'காற்று' , 'வெளியீடு' : 'அமைதியாக' } ,
]
படி 3: கட்டிட எடுத்துக்காட்டு தேர்வி
இப்போது, வெவ்வேறு அளவுருக்கள் கொண்ட MaxMarginalRelevanceExampleSelector() முறையைப் பயன்படுத்தி MMR உதாரணத் தேர்வியை உருவாக்கத் தொடங்குங்கள்:
உதாரணம்_தேர்வாளர் = MaxMarginal RelevanceExampleSelector. எடுத்துக்காட்டுகளில் இருந்து (உதாரணங்கள் ,
OpenAIEmbeddings ( ) ,
FAISS ,
கே = 2 ,
)
mmr_prompt = சில ஷாட் ப்ராம்ப்ட் டெம்ப்ளேட் (
உதாரணம்_தேர்வாளர் = உதாரணம்_தேர்வாளர் ,
உதாரணம்_விரைவு = உதாரணம்_விரைவு ,
முன்னொட்டு = 'ஒவ்வொரு உள்ளீட்டிற்கும் எதிர்ச்சொல்லைக் கொடுங்கள்' ,
பின்னொட்டு = 'உள்ளீடு: {பெயரடை} \n வெளியீடு:' ,
உள்ளீடு_மாறிகள் = [ 'பெயரடை' ] ,
)
படி 4: MMR எடுத்துக்காட்டு தேர்வியை சோதித்தல்
உள்ளீடு மூலம் அச்சு() முறையில் அழைப்பதன் மூலம் அதிகபட்ச விளிம்பு பொருத்தம் MMR எடுத்துக்காட்டு தேர்வியை சோதிக்கவும்:
அச்சு ( mmr_prompt. வடிவம் ( பெயரடை = 'கவலை' ) )
படி 5: சொற்பொருள் ஒற்றுமையைப் பயன்படுத்துதல்
இந்த படி SemanticSimilarityExampleSelector() முறையைப் பயன்படுத்துகிறது, பின்னர் LangChain ஆல் ஆதரிக்கப்படும் FewShotPromptTemplate() முறையைப் பயன்படுத்துகிறது:
உதாரணம்_தேர்வாளர் = சொற்பொருள் ஒற்றுமை உதாரணம் தேர்ந்தெடுப்பான். எடுத்துக்காட்டுகளில் இருந்து (உதாரணங்கள் ,
OpenAIEmbeddings ( ) ,
FAISS ,
கே = 2 ,
)
ஒத்த_விரைவில் = சில ஷாட் ப்ராம்ப்ட் டெம்ப்ளேட் (
உதாரணம்_தேர்வாளர் = உதாரணம்_தேர்வாளர் ,
உதாரணம்_விரைவு = உதாரணம்_விரைவு ,
முன்னொட்டு = 'ஒவ்வொரு உள்ளீட்டிற்கும் எதிர்ச்சொல்லைக் கொடுங்கள்' ,
பின்னொட்டு = 'உள்ளீடு: {பெயரடை} \n வெளியீடு:' ,
உள்ளீடு_மாறிகள் = [ 'பெயரடை' ] ,
)
அச்சு ( ஒத்த_விரைவில். வடிவம் ( பெயரடை = 'கவலை' ) )
LangChain இல் அதிகபட்ச விளிம்பு சம்பந்தம் அல்லது MMR மூலம் தேர்ந்தெடுக்கப்பட்டதைப் பயன்படுத்துவது அவ்வளவுதான்.
முடிவுரை
LangChain இல் அதிகபட்ச விளிம்பு பொருத்தம் அல்லது MMR எடுத்துக்காட்டு தேர்வாளரின் மூலம் தேர்ந்தெடுக்கப்பட்டதைப் பயன்படுத்த, தேவையான தொகுதிகளை நிறுவவும். அதன் பிறகு, உள்ளீடு மற்றும் வெளியீடு வரியில் டெம்ப்ளேட்டைப் பயன்படுத்தி எடுத்துக்காட்டு தொகுப்பை உருவாக்க நூலகங்களை இறக்குமதி செய்யவும். MMR உதாரணத் தேர்வியை உருவாக்க, MMR உதாரணத் தேர்வி மற்றும் FewShotPromptTemplate() முறையைப் பயன்படுத்தி பொருத்தமான வெளியீட்டைப் பெறவும். இந்த வழிகாட்டி LangChain இல் தேர்ந்தெடுக்கப்பட்ட MMR எடுத்துக்காட்டு தேர்வியைப் பயன்படுத்தும் செயல்முறையை விளக்குகிறது.